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 |
|
|