【本段以《机器学习 . 周志华》 1.2 p2 为上下文】 在这一篇，我们要熟悉机器学习的基本术语，以简化我们后续沟通的成本
我们要让机器学习的原材料叫样本集合，英文是 sample set
每个样本都有属性（ attribute ）和标记（ label ）
这个属性也叫特征 (feature) 每个样本你必须有一个或者多个属性和一个标记
这就相当于人类诞生以来，老一代教育小一代， ” 你看，这个瓜敲起来脆脆的（属性），它是好瓜（标记）
” 属性空间（ attribute space ） : 举例来说，西瓜的色泽就是一个属性，色泽的值有如下三种情况 { 青绿，乌黑，浅白 } ，那么色泽属性的空间就是 { 青绿，乌黑，浅白 }
在实际的样本中，青绿，乌黑，浅白都会被数字表达从而映射到数学的空间表达里
假设（ hypothesis) ） : 这个概念比较难理解
我们把我们机器学到的蛋，叫做一个假设西瓜是好是坏，是有真理的 (ground-truth) 但真理是永远不会被发现的
我们通过机器学习学习到的模型，你敢说它是真理吗？你不敢，如果你拿着你的蛋，站在集市里，大声宣称 : “这个蛋能够准确判断世界上所有西瓜的好坏 ! ”连乞丐都会嘲笑你
冷静的你于是改口：“我这个蛋，能预测大部分西瓜的好坏” == “我这个蛋，接近真理了
” == “我假设我这个蛋就是真理”
你假设你的蛋是真理，我也假设我的蛋说是真理，我们都是真理的众多假设中的一个
这些假设没有一个是真理，但是他们却组成了假设空间（ hypothesis space ）
我们训练模型的过程，也就是找出最接近真理的假设的过程一句话：一个模型 = 一个蛋 = 一个对真理的假设
分类（ classification ） : 给出一个测试样本，机器就说出它的类别，这个叫分类
它是好西瓜 / 它是坏西瓜这个数据是在行走 / 跑步 / 静止
回归（ regression ）：若欲预测的是连续值 ? 例如西瓜成熟度 0.95 、 0.37 ，明早下雨的概率，西伯利亚寒流的强度（从 0 到 10 ），此类学习任务称为 ” 回归 ” (regression). 感觉这个概念和“回归”联系不上
先忽略后面会详细讲这个回归回家，归来，回到正道上
聚类（ (clustering ）：即将训练集中的西瓜分成若干组，每组称为 A 个 ” 簇 ” (cluster); 这些自动形成的簇可能对应一些潜在的概念划分，例如 ” 浅色瓜 “” 深色瓜 ” , 这样的学习程有助于我们了解数据内在的规律 ? 能为更深入地分析数据建立基础 . 需说明的是，在聚类学习中， ” 浅色瓜 ” ” 本地瓜 ” 这样的概念我们事先是不知道的，而且学习过程中使用的训练样本通常不拥有标记信息