{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","uuid":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","normalized_title":"智慧的疆界从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","isbns":["9787111778004","9787111695714"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":456,"navigation_url":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title_url":"https://workshop.closeclaw.top/ai/title/%E6%99%BA%E6%85%A7%E7%9A%84%E7%96%86%E7%95%8C%20%E4%BB%8E%E5%9B%BE%E7%81%B5%E6%9C%BA%E5%88%B0%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","page_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/search"},"page":{"printed_page":187,"pdf_page":202,"physical_index":202,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"49b7adad333057b6c5dc28a574f4a1c9ae67e8e0c8ca398f98d99301d1370d18"},"chapter":"内容简介","content":"$$\n\\begin{array} { r l r l r l } & { \\mathbb { H } | \\mathfrak { s } / 4 \\mathbin { \\stackrel {  } { \\partial } } \\mathbin { \\mathbb { R } } } & & { = } & & { 1 2 8 \\mathrm { K B } } \\\\ & { \\mathbin { \\ddot { \\mathfrak { R } } } | \\dag \\bigwedge \\mathbin { \\ddot { \\mp } } \\mathbin { \\ddot { \\mathfrak { R } } } } & & { = } & & { \\frac { \\underline { { \\mathfrak { s } } } } { | \\mathfrak { s } | } \\mathbin { \\ddot { \\overline { { \\mathfrak { s } } } } } \\mathbin { \\lrcorner } \\sharp \\mathrm { H } \\mathrm { H } \\dot { \\mathcal { P } } } \\\\ & { \\qquad \\quad \\cdots } & & { } \\end{array}\n$$\n\n一般来说，参与训练的每个样本的特征应当具备一致性，这是指每个特征在不同样本中所表示的含义是一样的，但并不是要求每个样本都具有全部的特征，允许有特征缺失。一个特征又由特征的含义和值构成，通常，对于每个样本中相同含义的特征，它的值应该具有一样的数据结构和一致的度量单位，如果不是，则应该在数据预处理阶段将其转换成一样的数据结构。在机器学习训练过程中，由于训练样本终归要交付给计算机去运算，因此更倾向于使用计算机可以理解的特征值来参与模型训练，典型的如“3、2、128KB、高信用用户”这样的整型、浮点型和枚举型数值，如果不是这样的特征值，则在数据预处理阶段就要进行归一化处理，转变为无量纲表达式。\n\n接下来我们要接触到一个稍微抽象的概念：样本空间。请读者尝试着想象以下场景：假设每个样本都由收件人数量、邮件长度、附件数量三个特征构成，把这三个特征按照各个特征的数值大小各放在一条坐标轴上。这样，每个样本都将在这三条坐标轴构成的三维空间中对应唯一的一个点，我们再使用一条指向这个点的线段来表示每个样本，譬如“（收件人数量 =3、附件数量 =2、邮件长度 =128KB）”这个样本，就将构成如图 6-7 所示的坐标。\n\n第 6 章 机器学习概览\n\n187","previous_page":186,"next_page":188}