機器學習中的參數，功能和類別之間的區別

Question

我是機器學習和自然語言處理的新手。

我總是在這三個術語之間混淆？

從我的理解：

class：我們的模型輸出的各種類別。給定一個人的名字，確定他/她是男性還是女性？

可以說我正在使用樸素貝葉斯分類器。

什麼是我的功能和參數？

此外，上述單詞的一些別名可以互換使用。

謝謝

Answer 1

讓我們用一個人的性別分類的例子。你對課堂的理解是正確的！給定輸入觀察值，我們的樸素貝葉斯分類器應輸出一個類別。這個班是那個班。

功能：樸素貝葉斯分類器或任何常規ML分類算法中的特徵是我們選擇用於定義輸入的數據點。對於一個人的例子，我們不可能輸入關於一個人的所有數據點;相反，我們選擇一些特徵來定義一個人（比如說「身高」，「體重」和「足部尺寸」）。具體而言，在Naive Bayes Classifier中，我們所做的關鍵假設是這些功能是獨立的（它們不會相互影響）：一個人的身高不影響體重並不影響腳的大小。這個假設可能是或者不是真的，但是對於樸素貝葉斯，我們假設它是真的。在你的例子中，輸入只是名稱的特殊情況下，功能可能是字母頻率，元音數量，名稱長度或後綴/前綴。

參數：樸素貝葉斯中的參數是我們嘗試分類的真實分佈的估計值。例如，我們可以說大約有50％的人是男性，男性身高的分佈是高斯分佈，平均值爲5'7「，標準差爲3」。參數將是50％估計值，5'7「平均估計值和3」標準偏差估計值。

別名：功能也稱爲屬性。我不知道'參數'有任何常見的替換。

我希望這有幫助！

Answer 2

@txizzle很好地解釋了樸素貝葉斯的情況。在更一般的意義上：

類：您的數據的輸出類別。您也可以調用這些類別。數據上的標籤將指向其中一個類（當然，如果它是分類問題）。

特徵：定義您的問題的特徵。這些也被稱爲屬性。

參數：您的算法試圖調整以建立精確模型的變量。

舉個例子，讓我們假設你正試圖根據他/她的本科生GPA，考試成績，建議分數，項目等各種因素來決定是否允許學生上學。在這種情況下，上面提到的因素是你的特徵/屬性，無論學生是否被允許成爲你的兩個班級，決定這些特徵如何結合在一起以獲得你的輸出的數字成爲你的參數。參數實際表示取決於您的算法。對於神經網絡，它是突觸鏈路上的權重。同樣，對於迴歸問題，參數是您的要素合併時的係數。

Answer 3

舉一個簡單的線性分類problem-

Y = {0，如果5X-3> = 0否則1}

這裏y是類，x爲特徵，5,3是參數。