現在每過一段時間都會出現幾個新的網路用語，懂的人見了會心一笑，不懂的只能摸摸腦袋，不知道“梗”在哪裡，少了許多樂趣。機器學習也有許多獨特的用語，在本節，我們先把機器學習的“行話”都介紹清楚。
模型
模型（Model）是機器學習的核心概念。如果認為程式設計有兩大組成部分，即演算法和資料結構，那麼機器學習的兩大組成部分就是模型和資料集。
如果之前沒有接觸過相關概念，想必你現在很希望直觀地理解什麼是模型，但對模型給出一個簡潔又嚴謹的定義並不容易，你可以認為它是某種機器學習演算法在設定引數後的產物，它的作用和程式設計時用到的函數一樣，可以根據某些輸入得到某些輸出。
既然叫機器學習演算法，不妨將它想象成一台機器，其上有很多旋鈕，這些旋鈕就是引數。機器本身是有輸入和輸出功能的，根據不同的旋鈕組合，同一種輸入可以產生不同的輸出，而機器學習的過程就是找到合適的那組旋鈕組合，通過輸入得到你所希望的輸出。
資料集
如果說機器學習的“機器”指的是模型，那麼資料集就可以說是驅動著這台機器去“學習”的“燃料”。有些文獻將資料集又分為訓練集和測試集，其實它們的內容和形式並無差異，只是用在不同的地方：
-
在訓練模型階段使用，就叫作訓練集；
-
在測試模型階段使用，就叫作測試集。
資料
我們剛才提到了資料集，資料集就是資料的集合。在機器學習中，我們稱一條資料為一個樣本（Sample），形式類似一維陣列。樣本通常包含多個特徵（Feature）：
-
如果是用於分類問題的資料集，還會包含類別（Class Label）資訊；
-
如果是回歸問題的資料集，則會包含一個連續型的數值。
特徵
這個術語又容易讓你產生誤解了。我們一般把可以作為人或事物特點的徵象、標誌等稱作特徵，譬如這個人鼻子很大，這就是特徵，但在機器學習中，特徵是某個物件的幾個記錄維度。我們都填寫過個人資訊表，特徵就是這張表裡的空格，如名字、性別、出生日期、籍貫等，一份個人資訊表格可以看成一個樣本，名字、籍貫這些資訊就稱作特徵。
前面說資料形式類似一維陣列，那麼特徵就是陣列的值。
向量
向量為線性代數術語，機器學習模型演算法的運算均基於線性代數法則，不妨認為向量就是該類演算法所對應的“資料結構”。一條樣本資料就是以一個向量的形式輸入模型的。
一條監督學習資料的向量形式如下：
[特徵X1值，特徵X2值，…，Y1值]
矩陣
矩陣為線性代數術語，可以將矩陣看成由向量組成的陣列，形式上也非常接近二維陣列。前面所說的資料集，通常就是以矩陣的形式輸入模型的，常見的矩陣形式如下：
[
[特徵X1值，特徵X2值，…，Y1值]，
[特徵X1值，特徵X2值，…，Y2值]，
…
[特徵X1值，特徵X2值，…，Yn值]
]
其實這個組織形式非常類似電子試算表，不妨就以電子試算表來對照理解。每一行就是一個樣本，每一列就是一個特徵維度，譬如某個資料集一共包括了 7 個樣本，那就是有 7 行資料，每個樣本又都有 4 個維度的特徵，那就是每行資料有 4 列。
用電子試算表表示如下表所示，其中，A～D 列為特徵，E 列為結果，對比一下應該就能馬上理解資料集是怎樣用矩陣儲存資料的。
表1：用電子試算表來表示機器學習的資料集矩陣
|
|
A |
B |
C |
D |
E |
|
1 |
樣本1特徵X1的值 |
樣本1特徵X2的值 |
樣本1特徵X3的值 |
樣本1特徵X4的值 |
樣本1的Y值 |
|
2 |
樣本2特徵X1的值 |
樣本2特徵X2的值 |
樣本2特徵X3的值 |
樣本2特徵X4的值 |
樣本2的Y值 |
|
3 |
樣本3特徵X1的值 |
樣本3特徵X2的值 |
樣本3特徵X3的值 |
樣本3特徵X4的值 |
樣本3的Y值 |
|
4 |
樣本4特徵X1的值 |
樣本4特徵X2的值 |
樣本4特徵X3的值 |
樣本4特徵X4的值 |
樣本4的Y值 |
|
5 |
樣本5特徵X1的值 |
樣本5特徵X2的值 |
樣本5特徵X3的值 |
樣本5特徵X4的值 |
樣本5的Y值 |
|
6 |
樣本6特徵X1的值 |
樣本6特徵X2的值 |
樣本6特徵X3的值 |
樣本6特徵X4的值 |
樣本6的Y值 |
|
7 |
樣本7特徵X1的值 |
樣本7特徵X2的值 |
樣本7特徵X3的值 |
樣本7特徵X4的值 |
樣本7的Y值 |
需要注意的是，我們在製作電子試算表時習慣新增列頭或行頭，譬如第一行往往是時間、名字、班級這樣的資訊標籤，但機器學習使用的資料集一般並不包含這些列頭和行頭，第一格的內容就是第一個樣本的第一個特徵的值，與我們日常習慣稍有區別。