Prérequis: statistiques de base et exposition au ML (régression linéaire)
Il peut être répondu en une phrase -
Ils se ressemblent mais leur définition change selon les nécessités.
Explication
Laissez-moi vous expliquer ma déclaration. Supposons que vous ayez un ensemble de données, à cette fin, considérez exercise.csv
. Chaque colonne de l'ensemble de données est appelée en tant qu'entité. Le sexe, l'âge, la taille, la fréquence cardiaque, la température corporelle et les calories peuvent figurer dans différentes colonnes. Chaque colonne représente des caractéristiques ou des propriétés distinctes.
exercice.csv
User_ID Gender Age Height Weight Duration Heart_Rate Body_Temp Calories
14733363 male 68 190.0 94.0 29.0 105.0 40.8 231.0
14861698 female 20 166.0 60.0 14.0 94.0 40.3 66.0
11179863 male 69 179.0 79.0 5.0 88.0 38.7 26.0
Pour solidifier la compréhension et résoudre le casse-tête, prenons deux problèmes différents (cas de prédiction).
CAS 1: Dans ce cas, nous pourrions envisager d'utiliser - Sexe, taille et poids pour prédire les calories brûlées pendant l'exercice. Cette prédiction (Y) Calories ici est une étiquette . Calories est la colonne que vous souhaitez prédire à l'aide de diverses fonctionnalités telles que - x1: sexe, x2: taille et x3: poids .
CAS2: Dans le second cas, nous pourrions vouloir prédire le Heart_rate en utilisant le sexe et le poids comme une caractéristique. Ici, Heart_Rate est une étiquette prédite à l'aide de caractéristiques - x1: Sexe et x2: Poids .
Une fois que vous avez compris l'explication ci-dessus, vous ne serez plus vraiment confondu avec les étiquettes et les fonctionnalités.