为什么使用大写字母定义训练和测试数据的变量（在Python中）？

我希望这个问题最适合本网站...

在Python中，通常使用大写字母作为第一个字符来定义类名，例如

class Vehicle:
    ...

但是，在机器学习领域，通常将训练和测试数据定义为Xand Y-not x和y。例如，我现在正在阅读有关Keras的教程，但是它使用X和Y作为变量：

from sklearn import datasets

mnist = datasets.load_digits()
X = mnist.data
Y = mnist.target

为什么将这些定义为大写字母？机器学习领域之间是否存在任何约定（至少在Python中如此），最好使用大写字母来定义这些变量？

还是人们在机器学习中区分大小写变量？

实际上，同一教程稍后将区分这些变量，如下所示：

from sklearn.cross_validation import train_test_split

train_X, test_X, train_y, test_y = train_test_split(X, Y, train_size=0.7, random_state=0)

X（有时是Y）变量是矩阵。

在某些数学表示法中，通常的做法是将向量变量名称写为小写，将矩阵变量名称写为大写。这些代码通常以粗体显示或具有其他注释，但这不能很好地转换为代码。无论哪种方式，我都相信实践已经从这种表示法转移了。

您可能还会在代码中注意到，当目标变量是一列值时，将其写入y，因此您拥有X, y

当然，这在Python中没有特殊的语义含义，您可以随意忽略该约定。但是，由于已成为惯例，因此如果您共享代码，可能值得维护。

我认为这与Python无关，而与数学无关。X是一个矩阵，y是一个向量（大多数时间）。通常，矩阵使用大写字母，向量使用小写字母。

这就是为什么您经常看到这样的原因（来自sklearn示例）：

digits = datasets.load_digits(n_class=10)
X = digits.data
y = digits.target

或那个（来自同一示例）：

x_min, x_max = np.min(X_red, axis=0), np.max(X_red, axis=0)
X_red = (X_red - x_min) / (x_max - x_min)

这里X_red是一个mxn矩阵（大写），x_min是一个长度为n的矢量（小写）。