U
无标签样本(unlabeled example)
包含特征但没有标签的样本。无标签样本是用于进行推断的输入内容。在半监督式和非监督式学习中，无标签样本在训练期间被使用。
非监督式机器学习(unsupervised machine learning）
训练模型，以找出数据集（通常是无标签数据集）中的模式。
非监督式机器学习最常见的用途是将数据分为不同的聚类，使相似的样本位于同一组中。例如，非监督式机器学习算法可以根据音乐的各种属性将歌曲分为不同的聚类。所得聚类可以作为其他机器学习算法（例如音乐推荐服务）的输入。在很难获取真标签的领域，聚类可能会非常有用。例如，在反滥用和反欺诈等领域，聚类有助于人们更好地了解相关数据。
非监督式机器学习的另一个例子是主成分分析（PCA）。例如，通过对购物车中包含数百万物品的数据集进行主成分分析，可能会发现有柠檬的购物车中往往也有抗酸药。
可与监督式机器学习进行比较。
验证集（validation set)
数据集的一个子集，从训练集分离而来，用于调整超参数。
与训练集和测试集相对。
权重(weight)
线性模型中特征的系数，或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为0，则相应的特征对模型来说没有任何贡献。
宽度模型(wide model)
一种线性模型，通常有很多稀疏输入特征。我们之所以称之为“宽度模型”，是因为这是一种特殊类型的神经网络，其大量输入均直接与输出节点相连。与深度模型相比，宽度模型通常更易于调试和检查。虽然宽度模型无法通过隐藏层来表示非线性关系，但可以利用特征组合、分桶等转换以不同的方式为非线性关系建模。
与深度模型相对。
人工智能与大数据技术导论
472