前面我們已經給大家講述了很多有關機器學習的概念，這些概念都是十分重要的，我們如果要學習人工智能的話就需要重視這些知識。在這篇文章我們接著給大家介紹機器學習中的基礎知識，希望這篇文章能夠給大家帶來幫助。

（1）正則化就是對模型復雜度的懲罰。正則化幫助防止過擬合。正則化包括不同種類：L1 正則化、L2 正則化、dropout正則化。

（2）正則化率就是一種標量級，用lambda來表示，指正則函數的相對重要性。

（3）表征就是將數據映射到有用特征的過程。

（4）根目錄就是指定放置 TensorFlow 檢查點文件子目錄和多個模型的事件文件的目錄。?

（5）均方根誤差就是均方誤差的平方根。

（6）Saver就是負責存儲模型檢查點文件的 TensorFlow 對象。

（7）縮放就是特征工程中常用的操作，用於控制特征值區間，使之與數據集中其他特征的區間匹配。

（8）序列模型就是輸入具有序列依賴性的模型。

（9）會話就是保持 TensorFlow 程序的狀態。

（10）Sigmoid 函數就是把logistic 或多項式回歸輸出映射到概率的函數，返回的值在 0 到 1 之間。

（11）稀疏特征的值主要為 0 或空的特征向量。

（12）平方損失就是線性回歸中使用的損失函數。該函數計算模型對標註樣本的預測值和標簽真正值之間差的平方。在平方之後，該損失函數擴大了不良預測的影響。

（13）靜態模型就是離線訓練的模型。

（14）穩態就是數據集中的一種數據屬性，數據分布在一或多個維度中保持不變。通常情況下，維度是時間，意味著具備平穩性的數據不會隨著時間發生變化。

（15）權重就是線性模型中的特征系數，或者深度網絡中的邊緣。線性模型的訓練目標是為每個特征確定一個完美的權重。如果權重為 0，則對應的特征對模型而言是無用的。

（16）無標簽樣本就是包含特征但沒有標簽的樣本。無標簽樣本是推斷的輸入。在半監督學習和無監督學習的訓練過程中，通常使用無標簽樣本。

（17）測試集是數據集的子集。模型經過驗證集初步測試之後，使用測試集對模型進行測試。可與訓練集和驗證集對照閱讀。

我們在這篇文章中給大家介紹了很多的內容，雖然都是機器學習中比較簡單的知識，但萬丈高樓平地起，我們一定要一步步把基礎打牢固。希望這篇文章能夠給大家帶來幫助。

機器學習中的基礎知識（入門上篇）