它只是个个体上观察到个属性或变量的向量的一些通用符号，因此您可以将定义为输入向量，在特征（或输入）空间中（每个人都会有一个这样的观察输入向量）。$p$$i=1,\dots, N$$X^T = (X_1,X_2,\dots,X_p)$

符号似乎保留给输出空间：在的经典线性回归模型中，Y 是标量 ( )，而在多元设置中（例如，您记录体重、身高和颜色）它可能是一个向量（即，在我的示例中为 3 向量）。$K$$Y=X\beta$$K=1$$K$

在数学和物理中，“x-vector”中的“x”代表向量的维数。和的含义是先前确定的。通常，“p-vector”被写成列向量，“p-covector”被写成行向量。$K$$p$

因此，如果一个人来自机器学习领域，就会产生混淆。

在本书的开头它说：特征=输入=一组变量（X1，.... Xp）。“输入”与输入样本的数量无关。输入样本（训练样本）称为“观察”（1 .. i .. N）。

• xi - 作为 X1,X2 ... Xp 的列向量的第 i 个观察值
• X 是 N xp 矩阵，其中每一行是一个观察值并包含一个输入向量，因此每一行都是 xti
• xti = (X1,X2 .... j ... Xp)