大数据特征拟合标签

要让机器学会认识世界，首先要由大数据。 1、特征、标签、属性值

像要判断草莓甜不甜，就先要搜集一些关于草莓的大数据，例如个头较小、色泽鲜艳、质地柔软的草莓是甜的；个头较大、色泽较浅、质地坚硬的草莓是酸的；在机器学习中，大小、色泽和质地都被称为特征（feature）。较小，鲜艳，较软对应的是属性值(attribute value)；酸和甜则被称为标签(label)。

机器学习就是要找到特征与标签之间的关系来判断草莓是不是甜的？

标签划分 属性标签

属性标签是变化最小的，例如用户实名认证之后，基于身份信息获取相关：性别，生日，出生年月，年龄，等相关标签。变动频率小，且最具有精准性。

行为标签

行为标签就是用户通过在产品上的一系列操作，基于行为日志分析得出：例如购买能力、消费爱好、季节性消费标签等。在信息

流的APP上，通过相关浏览行为，不断推荐用户感兴趣的内容就是基于该逻辑。

规则标签

根据业务场景需求，配置指定规则，基于规则生成分析结果，例如：

近7天活跃用户：近7天，每天都登录的用户作为规则生成； 丢失用户：六个月内没有任何操作，可以发放高额优惠劵； 潜在用户：使用或产生浏览数据，但是未发生任何交易行为； 这类标签可以基于动态的规则配置，经过计算和分析，生成描述结果，也就是规则标签。

拟合标签

拟合类的标签最具有复杂性，通过用户上述几种标签，智能组合分析，给的预测值，例如：未婚、浏览相关婚礼内容，通过分析预测用户将要举办婚礼，得到一个拟合结果：预测将要结婚。这个预测逻辑也可以反向执行，用户购买婴儿用品：预测已婚已育。

这就是数据时代常说的一句话：用户在某个应用上一通操作之后，算法分析的结果可能比用户对自己的描述还要真实。

2、泛化与过拟合

通过大数据学得模型的过程就是我们常说的学习（learning），

也称为训练（training）。

在学习的过程中，有时候太过认真的认识已有的草莓，会造成无法判断其他草莓甜不甜的状况，这种情况，我们称为过拟合(overfitting)。

往往我们希望学得的模型能很好的认识新的草莓，这种能力，我们称为泛化（generalization）。

一般来说，训练样本越多，模型的泛化能力越好，就越能判断新的草莓是不是甜的。