| additive model |
加性模型 |
c |
西瓜书 |
| apparent error |
表现误差 |
c |
d |
| association rule |
关联规则 |
14.2 |
|
| back propagation |
反向传播 |
11.4 |
|
| backfitting |
回修 |
|
|
| backward |
后向 |
|
西瓜书-248 |
| batch learning |
批量学习 |
11.4 |
|
| bagging（boosting aggregating） |
装袋，自助聚合 |
c |
d |
| basis expansion |
基扩展 |
5 |
|
| Bayes factor |
贝叶斯因子 |
7.7 |
|
| Bayes rate |
贝叶斯错误率 |
|
维基 |
| Bayesian information criterion |
贝叶斯信息量准则 |
7.7 |
|
| bet on sparsity |
押宝稀疏性 |
16.2.2 |
腾讯云 |
| boosting (method) |
提升方法 |
10.1 |
维基 |
| bootstrap |
自助法 |
|
维基 西瓜书-p27 |
| bumping（Bootstrap Umbrella of the Model Parameter） |
|
|
|
| canonical correlation analysis, CCA |
典型相关分析 |
3.7 |
维基 |
| classfication |
分类 |
|
|
| cophenetic |
公表 |
14.3 |
|
| cross-validation |
交叉验证 |
7.10 |
维基 |
| curse of dimensionaliy |
维数灾难 维度灾难 |
2.5 |
维基 西瓜书-p227 |
| decision boundary |
决策边界 |
2.3，12.1 |
维基 |
| discriminant function |
判别函数 |
4.1 |
|
| deviance |
偏差 |
|
|
| ensemble learning |
集成学习 |
16 |
|
| effective number of parameters |
有效参数个数 |
7.6 |
|
| Expectation-Maximization |
|
|
|
| expansion |
展开/扩展 |
|
|
| extrapolation |
外推 |
|
维基 |
| filter |
滤波 |
|
|
| flexible discriminant analyais |
灵活判别分析 |
12 |
|
| forward |
前向 |
|
西瓜书-248 |
| Gaussian mixture |
高斯混合 |
6.8 |
|
| generalization |
泛化 |
|
西瓜书 |
| generalized additive model |
广义加性模型 |
|
|
| generative model |
生成模型 |
|
维基 |
| Gibbs sampling |
|
|
|
| gradient |
梯度 |
|
|
| heat map |
热图 |
|
|
| hierarchical mixtures of experts，HME |
层级混合专家 |
|
|
| Hinton diagram |
辛顿图 |
|
|
| Huber |
休伯 |
|
|
| indicator function |
指示函数 |
|
维基 |
| k-fold |
k 折 |
|
|
| knot |
节点 |
|
|
| kernel method |
|
|
|
| lasso |
套索 |
3.4 |
维基 |
| least absolute shrinkage and selection operator |
最小绝对值收缩选择算子 |
3.4 |
西瓜书-p252 |
| least angle regression |
最小角回归 |
3.4 |
维基 |
| learner |
学习器 |
|
西瓜书-p2 |
| learning vector quantization |
学习向量量化 |
ch13.2 |
|
| least squares |
最小二乘 |
2.3 |
|
| leave-one-out |
留一法 |
7.10 |
|
| linear discriminant analysis |
线性判别分析 |
|
维基 |
| link function |
联系函数 |
|
西瓜书 |
| loading (of PCA) |
载荷 |
|
多元统计分析（李东风） |
| local regression |
|
|
|
| logistic regression |
对数几率回归（逻辑回归） |
[4.4] |
维基 |
| main effect |
主效应 |
|
|
| margin |
间隔（SVM） |
12.2 |
西瓜书-p122 |
| MARS |
|
|
|
| maximum likelihood |
|
|
|
| McNemar’s test |
麦克尼马尔检验 |
|
|
| minimum description length |
最小描述长度 |
|
|
| missing at random，MAR |
随机缺失 |
|
|
| missing completely at random，MCAR |
完全随机缺失 |
|
|
| mixture discriminant analyais |
混合判别分析 |
12 |
|
| multidimensional scaling |
多维尺度分析 |
14.8 |
|
| nearest neighbors |
最近邻域、近邻 |
|
维基 西瓜书-p225 |
| nearest shrunken centroid |
最近收缩中心 |
18.2 |
|
| neural network |
神经网络 |
11.3 |
|
| neuron |
神经元 |
11.3 |
|
| orthogonality |
正交 |
|
维基 |
| overfitting |
|
|
|
| penalization |
|
|
|
| penalized discriminant analyais |
惩罚判别分析 |
12 |
|
| perceptron |
感知机 |
4.5 11.3 |
维基 |
| piecewise |
分段 |
|
|
| PRIM |
耐心规则归纳方法 |
|
|
| project pursuit |
投影寻踪 |
11.2 |
|
| prototype method |
原型方法 |
13.2 |
|
| random forest |
随机森林 |
15 |
|
| regression |
分类 |
|
|
| regularization |
|
|
|
| ridge regression |
岭回归 |
3.4 |
西瓜书-p252 |
| robustness |
稳健性 |
|
|
| separating hyperplane |
分离超平面 |
4.5 |
|
| shrink |
收缩 |
c |
西瓜书-p252 |
| sigmoid function |
S 函数 |
|
|
| spline |
样条 |
|
维基 |
| standardize (inputs) |
标准化 |
|
|
| standardized (regression) coefficients |
标准（回归）系数 |
|
|
| stacking |
堆叠 |
|
|
| stochastic approximation |
随机逼近 |
11.4 |
|
| stump |
树桩 |
|
|
| supervised learning |
监督学习 |
1 |
维基 西瓜书-p3 |
| synapse |
神经突触 |
11.3 |
|
| supervised learning |
监督学习 |
1 |
维基 西瓜书-p3 |
| support vector machine |
支持向量机 |
12 |
|
| transform |
变换 |
|
|
| truncated power |
截断幂 |
5.2 |
|
| underfitting |
|
|
|
| universal approximator |
泛逼近器 |
11.2 |
|
| unsupervised learning |
无监督学习 |
c |
维基 西瓜书-p3 |
| Vapnik–Chervonenkis |
万普尼克-泽范兰杰斯 |
7.9 |
|
| wavelet |
小波 |
|
维基 |
| Z-score |
Z 分数 |
|
|