特征 Feature
模型用来做判断的输入信息，例如房屋面积、汽车重量。
常用术语表
遇到陌生词不用死记。先看它在训练流程中负责什么，再回课程里的例子理解。
标签 Label
模型需要学习预测的正确答案，例如房价或是否流失。
样本 Sample
数据集中的一行记录，包含一组特征以及可选的标签。
参数 Parameter
训练过程中由模型自动学到的数值，例如权重和偏置。
超参数 Hyperparameter
训练前由人设置的选项，例如学习率、批大小和正则化强度。
损失 Loss
用一个数衡量模型的预测错得有多严重。
梯度 Gradient
损失相对于参数的变化方向与速度。
泛化 Generalization
模型在没见过的数据上仍然可靠的能力。
过拟合 Overfitting
模型记住训练细节，却无法处理新数据。
推理 Inference
把新数据交给训练好的模型并得到预测结果。
嵌入 Embedding
把对象映射为较低维稠密向量的表示方法。
数据漂移 Data drift
线上输入数据分布随时间发生变化。