机器学习基本概念:数据集 特征 样本 标签

数据集（Dataset）

用来训练模型的「全部数据合集」。

里面包含了所有样本、特征、标签。

例子：你收集了 1000条 房屋的信息(面积、房间数、楼层) ，这 1000 条数据合起来就是数据集。

特征（Feature）

用来描述样本的「属性 / 信息」

例子：房屋的   面积、房间数、楼层、……这些用来描述一个 房屋  的 某列 信息，都叫特征。

样本（Sample）

数据集中的 一条独立数据 。

一行 = 一个样本

例子：第 1 个房屋信息：面积80平方米  房间数 2  楼层5    房价160万

标签（Label）

模型预测的「结果 / 答案」。

模型要学习去预测的目标

例子：判断房价：多少钱 → 标签

一句话总结

• 数据集：模型训练的所有数据
• 样本：输入模型的数据
• 特征：用来区分不同样本
• 标签：模型要预测的结果