7.1 机器学习基本框架：数据、假设空间、学习算法与评估
机器学习赋予计算机从经验数据中学习并改进其性能的能力，而无需进行明确的、基于规则的编程。其所有理论与应用均建立在一个统一的形式化框架之上，该框架包含四个核心要素：数据、假设空间、学习算法和评估。本节旨在系统阐述这一基本框架的逻辑内涵及其相互作用，为深入理解后续章节的各类模型与算法奠定基础。
7.1.1 数据：学习的源头与基础
数据是机器学习过程的起点与驱动力。通常，一个数据集D DD由m mm个独立同分布的样本构成，每个样本由一个特征向量x i \mathbf{x}_ixi和一个可能的标签y i y_iyi组成，记为D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x m , y m ) } D = \{(\mathbf{x}_1, y_1), (\mathbf{x}_2, y_2), ..., (\mathbf{x}_m, y_m)\}D={(x1,y1),(x2,y2),...,(xm,ym)}。
7.1.1.1 特征与表示
特征向量x i ∈ X \mathbf{x}_i \in \mathcal{X}xi∈X是对现实世界对象或事件的数字化表示，其所在集合X \mathcal{X}X称为特征空间。特征工程的目标是构造一个能够有效支撑学习任务的X \mathcal{X}X。例如，在图像识别中，x i \mathbf{x}_ixi可能是一个由像素值组成的张量；在自然语言处理中，它可能是一个词袋向量或词嵌入序列。特征的质量直接影响学习任务的性能上限，即“垃圾进，垃圾出”原则。
7.1.1.2 标签与任务定义
标签y i ∈ Y y_i \in \mathcal{Y}yi∈Y定义了学习的目标。根据Y \mathcal{Y}Y的形式，机器学习任务主要分为：
- 监督学习：Y \mathcal{Y}Y是一个离散的有限集合（分类）或连续区间（回归）。例如，手写数字识别中y i ∈ { 0 , 1 , . . . , 9 } y_i \in \{0,1,...,9\}yi∈{0,1,...,9}，房价预测中y i ∈ R + y_i \in \mathbb{R}^+
)
