一般地，令D= {xi，X2，…，Xm]．表示包含m个示例的数据集，每个示例由d个属性描述（例如上面的西瓜数据使用了3个属性），则每个示例X=(Xil；zi2；…；Xid)是d维样本空间疋中的一个向量，xi∈疋，其中Xij是xi在第歹个属性上的取值（例如上述第3个西瓜在第2个属性上的值是“硬挺”），d称为样本xi的“维数”(dimensionality).
　　从数据中学得模型的过程称为“学习”(learning)或“训练”(training)，这个过程通过执行某个学习算法来完成．训练过程中使用的数据称为“训练数据”(training data)，其中每个样本称为一个“训练样本”(training sample)，训练样本组成的集合称为“训练集”(training set).学得模型对应了关于数据的某种潜在的规律，因此亦称“假设”(hypothesis)；这种潜在规律自身，则称为“真相”或“真实”(ground-truth)，学习过程就是为了找出或逼近真相．本书有时将模型称为“学习器”(learner)，可看作学习算法在给定数据和参数空间上的实例化．如果希望学得一个能帮助我们判断没剖开的是不是“好瓜”的模型，仅有前面的示例数据显然是不够的，要建立这样的关于“预测”(prediction)的模型，我们需获得训练样本的“结果”信息，例如“（（色泽=青绿；根蒂=蜷缩；敲声=浊响），好瓜）”．这里关于示例结果的信息，例如“好瓜”，称为“标记”(label);拥有了标记信息的示例，则称为“样例”(example). -般地，用1.2基本术语若将标记看作对象本身的一部分，则“样例”有时也称为“样本”．亦称“负类”亦称“测试示例”
　　(testing instance)或“测试例”