关键词
A¶
- activation: 激活 (第 2.8 节)
- ability to classify: 判别能力 (第 4.3 节)
- adjusted response: 调整后的响应变量 (第 4.4 节)
- analysis of deviance: 偏差分析 (第 4.4 节)
- autoregressive: 自回归 (第 6.5 节)
- automatic kernel carpentry: 自动核作品 (第 6.1 节)
- aorta: 大动脉 (第 6.4 节)
- average squared bias: 偏差平方的平均 (第 7.3 节)
- apparent error: 表面误差 (第 7.4 节)
- alternative maximization procedure: 轮换最大化过程 (第 8.5 节)
- alternate: 轮换 (第 8.5 节)
- automatic flexible: 自动灵活 (第 9.1 节)
- additive expansions: 加性展开 (第 10.2 节)
- abundance: 多度 (第 10.14 节)
- aggregated data: 聚合数据 (第 10.14 节)
- ad-hoc: 特定 (第 13.2 节)
- a collection of objects: 点集 (第 14.3 节)
- adequacy: 充分性 (第 14.1 节)
- Association rule analysis: 关联规则分析 (第 14.2 节)
- adjacency matrix: 邻接矩阵 (第 14.5 节)
- arc length: 角长度 (第 16.2 节)
- affinities: 亲和力 (第 17.2 节)
- associated probability distribution: 相关概率分布 (第 17.2 节)
- adjacent: 邻接 (第 17.2 节)
B¶
- bias-variance decomposition: 偏差-方差分解 (第 2.5 节)
- Bayes classifier: 贝叶斯分类 (第 2.4 节)
- Bayes rate: 贝叶斯率 (第 2.4 节)
- bias: 偏差 (第 2.3 节)
- backward-stepwise selection: 向后逐步选择 (第 3.3 节)
- between-class: 组间 (第 4.3 节)
- back-transform: 向后转换 (第 5.9 节)
- bias-variance tradeoff: 偏差和方差之间的权衡 (第 6.2 节)
- basis set: 基础集 (第 7.6 节)
- BIC: 贝叶斯信息准则 (第 7.7 节)
- Bayes factor: 贝叶斯因子 (第 7.7 节)
- burn-in: 老化 (第 8.6 节)
- Bootstrap aggregation: 自助法整合 (第 8.7 节)
- bootstrap: 自助法 (第 8.7 节)
- bag: 打包 (第 8.7 节)
- black box: 黑箱方法 (第 10.7 节)
- Bay Area: 海湾地区 (第 10.14 节)
- batch learning: 批量学习 (第 11.4 节)
- back-propagation equations: 向后传播等式 (第 11.4 节)
- back-propagation: 向后传播 (第 11.4 节)
- blurred: 模糊的 (第 12.7 节)
- branch-and-bound combinatorial method: 分枝定界组合算法 (第 14.3 节)
- bump hunting: 碰撞狩猎 (第 14.2 节)
- brain dynamics: 脑动力学 (第 14.7 节)
- blind source separation: 盲信号分离 (第 14.7 节)
- Boltzmann machines: 玻尔兹曼机 (第 17.4 节)
- Bayesian networks: 贝叶斯网络 (第 17.1 节)
C¶
- cubic smoothing spline: 三次光滑样条 (第 2.8 节)
- complexity: 复杂性 (第 2.9 节)
- curse of dimensionality: 维度的诅咒 (第 2.5 节)
- closed: 闭型 (第 2.6 节)
- cross-entropy: 交叉熵 (第 2.6 节, 第 9.2 节)
- categories: 类别型 (第 2.2 节)
- classification: 分类 (第 2.2 节, 第 13.1 节)
- closed-form: 闭型解 (第 3.4 节)
- canonical correlation analysis, CCA: 典则相关分析 (第 3.7 节)
- compressed sensing: 压缩传感 (第 3.8 节)
- computer era: 计算机时代 (第 3.1 节)
- canonical variables: 典则变量 (第 4.3 节)
- canonical: 典则 (第 4.3 节)
- controls: 控制集 (第 4.4 节)
- cases: 案例集 (第 4.4 节)
- concave: 凹的 (第 4.4 节)
- cut-point: 分隔点 (第 4.1 节)
- compact kernel: 紧核 (第 6.1 节)
- Committee methods: 委员会方法 (第 8.8 节)
- consensus vote: 投票共识 (第 8.7 节)
- consensus vote: 共识投票 (第 8.7 节)
- cost-complexity pruning: 成本复杂度剪枝 (第 9.2 节)
- classification and regression tree, CART: 分类和回归树 (第 9.2 节)
- collection of rules: 规则集合 (第 9.3 节)
- computationally intensive: 计算密集型的 (第 10.2 节)
- checkerboard: 跳棋盘 (第 13.3 节)
- condensing: 压缩 (第 13.5 节)
- cluster analysis: 聚类分析 (第 14.3 节)
- Complete linkage, CL: 全链接 (第 14.3 节)
- combinatorial algorithms: 组合算法 (第 14.3 节)
- codebook: 码本 (第 14.3 节)
- cophenetic correlation coefficient: 共表型相关系数 (第 14.3 节)
- constrained topological map: 约束拓扑图 (第 14.4 节)
- classical scaling: 经典缩放 (第 14.8 节)
- convex hull: 凸包 (第 14.6 节)
- cardinality: 基数 (第 14.2 节)
- confidence: 置信度 (第 14.2 节)
- conjunctive rule: 联合规则 (第 14.2 节)
- cardiac pulse: 心脏脉冲 (第 14.7 节)
- correlated: 相关的 (第 14.7 节)
- coordinate descent: 坐标下降 (第 14.9 节)
- covariance: 协方差图 (第 17.3 节)
- constant node: 常值结点 (第 17.4 节)
- contigency table: 列联表 (第 17.4 节)
- cyclical coordinate descent: 循环坐标下降 (第 17.4 节)
- contrastive divergence, CD: 对比发散 (第 17.4 节)
- complete graph: 完全图 (第 17.2 节)
- clique potentials: 团势 (第 17.2 节)
- clique: 团 (第 17.2 节)
- cyclical coordinate descent: 坐标轮换 (第 18.4 节)
D¶
- dictionary: 字典 (第 2.8 节)
- dependent variables: 因变量 (第 2.1 节)
- discrete: 离散 (第 2.2 节)
- dummy variables: 虚拟变量 (第 2.2 节, 第 14.2 节)
- diamond: 菱形 (第 3.4 节)
- discriminant coordinates: 判别坐标 (第 4.3 节)
- discriminant: 判别 (第 4.3 节)
- discriminant variable: 判别变量 (第 4.3 节)
- down-weighted: 低估 (第 4.4 节)
- decision boundaries: 线性判别边界 (第 4.1 节)
- discriminant functions: 判别函数 (第 4.1 节)
- divided differences: 差商 (第 Appendix 节)
- dilation: 伸缩 (第 5.9 节)
- detail: 细节 (第 5.9 节)
- dictionaries of basis functions: 基函数的字典集 (第 5.9 节)
- driven: 驱动 (第 5.8 节)
- deviance: 偏差 (第 7.2 节, 第 10.5 节)
- deciles: 十分位数 (第 10.14 节)
- demographics: 人口统计数据 (第 10.14 节)
- derived features: 导出特征 (第 11.1 节)
- digitized analog signals: 数字化模拟信号 (第 12.6 节)
- DANN: 判别自适应最近邻 (第 13.4 节)
- dendrogram: 谱系图 (第 14.3 节)
- data segmentation: 数据分离 (第 14.3 节)
- dissimilarities: 不相似性 (第 14.3 节)
- decoding: 解码 (第 14.3 节)
- dissimilarity: 不相似性 (第 14.8 节)
- disjunction: 并集 (第 14.2 节)
- differential entropy: 微分熵 (第 14.7 节)
- degree: 度 (第 14.5 节)
- digitized: 数字化的 (第 14.5 节)
- de-correlated: 去相关性 (第 15.1 节)
- dense: 稠密 (第 16.2 节)
- decomposable models: 可分解模型 (第 17.4 节)
- directed graphical models: 有向图 (第 17.1 节)
- difference penalty: 差异惩罚 (第 18.4 节)
- divided differences: 划分差异 (第 18.4 节)
- diagonal-covariance: 对角协方差 (第 18.2 节)
- discriminant score: 判别得分 (第 18.2 节)
- double centered: 二次中心化 (第 18.5 节)
E¶
- equivalent kernel: 等价核 (第 2.7 节, 第 6.1 节)
- effective: 有效 (第 2.3 节)
- eigen decomposition: 特征值分解 (第 3.4 节)
- effective degrees of freedom: 有效自由度 (第 3.4 节, 第 5.4 节)
- effect size: 有效大小 (第 3.2 节)
- EPE: 积分平方预测误差 (第 5.5 节)
- eigen-functions: 特征函数 (第 5.8 节)
- eigen-expansion: 特征展开 (第 5.8 节)
- equivalent kernels: 等价核 (第 5.4 节)
- extrapolation: 向外推断 (第 6.1 节)
- evaluation: 赋值 (第 6.0 节)
- effective number of parameters: 有效参数个数 (第 7.6 节, 第 7.4 节)
- effective degrees-of-freedom: 有效自由度 (第 7.6 节)
- extra-sample: 样本外 (第 7.10 节, 第 7.4 节)
- extra-sample prediction error: 样本外预测误差 (第 7.11 节)
- estimation bias: 估计偏差 (第 7.3 节)
- expected error: 期望误差 (第 7.4 节)
- extra-sample error: 样本外误差 (第 7.4 节)
- expected prediction error: 期望预测误差 (第 7.2 节)
- expected test error: 期望测试误差 (第 7.2 节)
- experts: 专家 (第 9.5 节)
- empirical Bayes: 经验贝叶斯 (第 9.2 节)
- early stopping: 早停 (第 10.12 节)
- empirical risk: 经验风险 (第 10.9 节)
- editing: 编辑 (第 13.5 节)
- exterior point: 外点 (第 13.5 节)
- encoding: 编码 (第 14.3 节)
- effectiveness: 有效性 (第 14.1 节)
- exploratory projection pursuit: 探索投影寻踪 (第 14.7 节)
- ensemble learning: 集成学习 (第 16.1 节, 第 16.2 节)
- ensemble: 集成 (第 16 章文献笔记)
- edge set: 边集 (第 17.2 节)
- elastic net: 弹性网 (第 18.4 节)
F¶
- features: 特征 (第 2.1 节)
- factors: 因子 (第 2.2 节)
- Forward-stepwise selection: 向前逐步选择 (第 3.3 节)
- FS: 向前逐渐过程 (第 3.8 节)
- Forward Stagewise Regression: 向前逐渐回归 (第 3.8 节)
- forward-stagewise regression: 向前逐渐回归 (第 3.8 节)
- fancier: 更花哨的 (第 3.1 节)
- FFT: 快速傅里叶变换 (第 5.9 节)
- functional: 函数型 (第 5.2 节)
- functional linear model: 函数型线性模型 (第 5.2 节)
- filtered: 滤波 (第 5.2 节)
- filling the valleys: 填充山谷 (第 6.1 节)
- forward stagewise: 向前逐步 (第 10.9 节)
- field: 领域 (第 11.4 节)
- flexible discriminant analysis: 可变的判别分析 (第 12.1 节)
- feature vector: 特征向量 (第 14.2 节)
- factor loadings: 因子载荷 (第 14.7 节)
- Factor Analysis: 因子分析 (第 14.7 节)
- first-order-interaction Poisson log-linear model: 一阶交叉泊松对数线性模型 (第 17.4 节)
- family-wise error rate: FWER (第 18.7 节)
- feature selection: 特征选择 (第 18.1 节)
G¶
- generalization: 泛化 (第 2.9 节, 第 7.1 节)
- greedy algorithm: 贪心算法 (第 3.3 节)
- generalized additive models: 广义可加模型 (第 5.5 节, 第 5.6 节, 第 9.0 节)
- generalized linear models: 广义线性模型 (第 6.5 节)
- GLSE: 广义最小二乘估计 (第 6.1 节)
- generalization error: 泛化误差 (第 7.4 节, 第 7.2 节)
- gating networks: 门控网络 (第 9.5 节)
- Gini index: 基尼指数 (第 9.2 节)
- greedy recursive-partitioning: 贪婪递归划分 (第 10.9 节)
- Group Average, GA: 群平均 (第 14.3 节)
- generalized additive spline model: 广义可加样条模型 (第 14.7 节)
- Gradient descent: 梯度下降 (第 17.4 节)
- global Markov properties: 全局马尔科夫性质 (第 17.2 节)
- global Markov properties: 整体马尔科夫性质 (第 17.2 节)
- Graph: 图 (第 17.1 节)
- gene expression arrays: 基因表达阵列 (第 18.2 节)
H¶
- high variability: 高易变性 (第 3.4 节)
- homotopy: 同伦 (第 3.4 节)
- high scale: 尺度最高 (第 5.9 节)
- hat matrix: 帽子矩阵 (第 5.4 节)
- hybrid approaches: 混合方法 (第 5.7 节)
- holes: 洞 (第 6.7 节)
- having no say: 不起作用 (第 6.7 节)
- HME: 专家的分层混合 (第 9.5 节)
- hierarchical mixtures of experts: 专家的分层混合 (第 9.5 节)
- hard decision: 硬决定 (第 9.5 节)
- hierarchical mixtures of experts, HME: 专家系统混合模型 (第 9.2 节)
- HME: 混合层次专家 (第 9.0 节)
- highly skewed: 高偏的 (第 10.7 节)
- hidden units: 隐藏层 (第 11.3 节)
- hierarchical basis: 分层基 (第 12.3 节)
- heuristic arguments: 启发式变量 (第 14.1 节)
- hidden: 观测不到 (第 17.4 节)
- hierarchical clustering: 系统聚类 (第 18.4 节)
- hard thresholding: 硬阈值 (第 18.2 节)
- high variance: 高方差 (第 18.1 节)
I¶
- irreducible: 不可约减的 (第 2.9 节)
- isotropic: 各向同性的 (第 2.7 节)
- independent variables: 自变量 (第 2.1 节)
- inputs: 输入变量 (第 2.1 节)
- interpretation: 可解释性 (第 3.3 节)
- infinitesimal forward stagewise regression: 无穷小的向前逐渐回归 (第 3.8 节)
- indicator response matrix: 指示变量响应矩阵 (第 4.2 节, 第 12.5 节)
- iteratively reweighted least squares: 加权迭代最小二乘 (第 4.4 节)
- inverse wavelet transform: 逆小波变换 (第 5.9 节)
- isolated bumps: 独立凹凸块 (第 5.9 节)
- induced norm: 导出范数 (第 5.8 节)
- iterative backfitting: 迭代向后拟合 (第 6.4 节)
- instantaneous prefix code: 瞬时前缀码 (第 7.8 节)
- in-sample: 样本内 (第 7.3 节)
- in-sample error: 样本内误差 (第 7.4 节)
- interval scale: 定距型 (第 7.2 节)
- interactions: 交叉影响 (第 10.8 节)
- invariance manifolds: 不变流形 (第 13.3 节)
- invariant metric: 不变度量 (第 13.3 节)
- isotonic regression: 保序回归 (第 14.8 节)
- iterative-proportional-scaling algorithm: 迭代比例缩放算法 (第 14.6 节)
- items set: 项目集 (第 14.2 节)
- Independent Component Analysis: 独立成分分析 (第 14.7 节)
- ICA: 独立成分分析 (第 14.7 节)
- intrinsically low-dimensional nonlinear manifold: 固有低维非线性流形 (第 14.9 节)
- Isometric feature mapping, ISOMAP: 等距特征映射算法 (第 14.9 节)
- importance sampling: 重要性采样 (第 16.3 节)
- Importance Sampling: 重要度采样 (第 16.3 节)
- iterative proportional fitting procedure: 迭代比例拟合过程 (第 17.3 节)
- iteratively reweighted least squares: 迭代重赋权最小二乘法 (第 17.4 节)
- Iterative proportional fitting, IPF: 迭代比例过滤 (第 17.4 节)
- inference: 推断 (第 17.1 节)
- independent rule: 独立规则 (第 18.2 节)
J¶
- joint maximization: 联合最大化 (第 8.5 节)
K¶
- knots: 结点 (第 2.8 节)
- kernel function: 核函数 (第 2.8 节)
- k-nearest-neighbor averaging: k-最近邻平均 (第 2.3 节)
- kernel reproducing property: 核再生性质 (第 5.8 节)
- kernel property: 核性质 (第 5.8 节)
- kernel: 核 (第 6.0 节)
- knot: 结点 (第 9.4 节)
- kurtosis: 峰度 (第 14.7 节)
- kernel principal components: 核主成分 (第 14.5 节)
L¶
- loss function: 损失函数 (第 2.4 节)
- linear basis expansions: 线性基展开 (第 2.6 节)
- learning by example: 样本学习 (第 2.6 节)
- learning problem: 学习问题 (第 2 章文献笔记)
- large: 大 (第 2.2 节)
- Lagrangian form: 拉格朗日形式 (第 3.4 节)
- LAR: 最小角回归 (第 3.4 节)
- least squares: 最小二乘 (第 3.2 节)
- LDA: 线性判别分析 (第 4.3 节)
- localized in time and in frequency: 在时间和在频率上局部化 (第 5.9 节)
- low scale: 尺度最低 (第 5.9 节)
- linear basis expansion: 线性基展开式 (第 5.1 节)
- linear smoother: 线性光滑 (第 5.4 节)
- lag set: 滞后集 (第 6.5 节)
- logistic: 逻辑斯蒂回归 (第 6.5 节)
- local regression: 局部回归 (第 6.5 节)
- log-linear models: 对数线性模型 (第 6.5 节)
- local linear logistic model: 局部线性逻辑斯蒂回归模型 (第 6.5 节)
- light fitting: 轻拟合 (第 7.11 节)
- LOO: 舍一法 (第 7.12 节)
- latent class model: 潜类别模型 (第 9.5 节)
- log-odds: 对数几率 (第 10.13 节)
- line search: 线搜索 (第 10.10 节)
- log-odds: 对数比率值 (第 10.5 节)
- long-tailed: 长尾 (第 10.7 节)
- learning rate: 学习速度 (第 11.4 节)
- log-likelihood loss: 对数似然损失 (第 12.3 节)
- least squares scaling: 最小二乘缩放 (第 14.8 节)
- loadings: 载荷 (第 14.7 节, 第 14.5 节)
- Local linear embedding, LLE: 局部线性内嵌 (第 14.9 节)
- local multi-dimensional scaling, Local MDS: 局部多维缩放 (第 14.9 节)
- Local MDS: 局部多维缩放 (第 14.9 节)
- linear manifolds: 线性流形 (第 14.5 节)
- left singular vectors: 左奇异向量 (第 14.5 节)
- least angle regression: 最小角回归 (第 16.2 节)
- learning: 学习 (第 17.1 节)
- LDA: 全线性判别分析 (第 18.2 节)
- less fitting is better: 欠拟合更好 (第 18.1 节)
M¶
- mean squared error: 均方误差 (第 2.9 节, 第 8.7 节)
- model complexity: 模型复杂度 (第 2.9 节)
- maximum likelihood estimation: 极大似然估计 (第 2.6 节)
- medium: 中 (第 2.2 节)
- model selection: 模型选择 (第 3.3 节)
- margin: 边缘 (第 4.5 节)
- margin: 空白 (第 4.5 节)
- multinomial: 多项式分布 (第 4.4 节)
- marginal likelihood: 边缘似然 (第 4.4 节)
- mother wavelet: 母波 (第 5.9 节)
- moving beyond linearity: 超线性 (第 5.1 节)
- memory-based: 基于记忆性 (第 6.0 节)
- multimodal: 多模的 (第 6.6 节)
- memory-based: 基于内存的 (第 6.9 节)
- MDL: 最小描述长度 (第 7.8 节)
- model bias: 模型偏差 (第 7.3 节)
- Markov chain Monte Carlo: 马尔科夫蒙特卡洛法 (第 8.6 节)
- mode: 最大值 (第 8.8 节)
- MCAR: 完全随机缺失 (第 9.6 节)
- MAR: 随机缺失 (第 9.6 节)
- Multivariate Adaptive Regression Splines, MARS: 多变量自适应回归样条 (第 9.4 节)
- MARS: 多元自适应回归样条 (第 9.0 节)
- main effects: 主要影响 (第 10.8 节)
- marginal average: 边缘平均 (第 10.13 节)
- multiple additive regression trees: 多重可加回归树 (第 10.10 节)
- modal class: 众数 (第 10.9 节)
- median house values: 房子价值的中位数 (第 10.14 节)
- margin: 间隔 (第 10.6 节)
- multinomial deviance: 多项偏差 (第 10.6 节)
- meta-parameter: 元参数 (第 10.11 节)
- mixture discriminant analysis: 混合判别分析 (第 12.1 节, 第 12.4 节)
- Multivariate nonparametric regression: 多元非参回归 (第 12.5 节)
- Mahalanobis distance: 马氏距离 (第 12.6 节)
- mixing proportions: 混合比例 (第 12.7 节)
- memory-based: 基于存储的 (第 13.3 节)
- model-free: 不依赖具体模型的 (第 13.1 节)
- melanomas: 黑素瘤 (第 14.3 节)
- mixture modeling: 混合模型 (第 14.3 节)
- missing values: 缺失值 (第 14.3 节)
- mode seeking: 模式寻找 (第 14.3 节)
- metric: 度量 (第 14.8 节)
- MDS, Multidimensional scaling: 多维缩放 (第 14.8 节)
- manifold: 流形 (第 14.1 节)
- mode finding: 模式寻找 (第 14.2 节)
- market confidence: 市场信心 (第 14.7 节)
- mutual information: 互信息量 (第 14.7 节)
- morphometrics: 形态测量 (第 14.5 节)
- mid-sagittal cross-section: 矢状面横截面 (第 14.5 节)
- memory: 记忆 (第 16.3 节)
- multiway tables of counts: 多路计数表 (第 17.4 节)
- Markov random fields: 马尔科夫随机域 (第 17.1 节)
- Markov networks: 马尔科夫网络 (第 17.1 节)
- maximal margin solution: 最大边缘解 (第 18.5 节)
- margin tree: 边际树 (第 18.3 节)
- maximal margin classifier: 最大边界分类器 (第 18.3 节)
- multiple testing: 多重检验 (第 18.7 节, 第 18.1 节)
N¶
- normal equations: 正规方程组 (第 2.3 节)
- Naive Bayes: 朴素贝叶斯 (第 4.3 节)
- normal vector: 法向量 (第 4.1 节)
- nuclear magnetic resonance, NMR: 原子核偶磁共振 (第 5.9 节)
- natural regularization: 自然的正则化 (第 5.2 节)
- natural cubic spline: 自然三次样条 (第 5.2 节)
- no-information error rate: 无信息误差率 (第 7.11 节)
- nominal scale: 定类型 (第 7.2 节)
- noninformative prior: 无信息先验 (第 8.3 节)
- nonparametric bootstrap: 非参自助法 (第 8.2 节)
- null rate: 零分布误差率 (第 10.14 节)
- nested spheres: 嵌套的球体 (第 13.4 节)
- neighborhood function: 邻居函数 (第 14.4 节)
- negentropy: 负熵 (第 14.7 节)
- numerical quadrature: 数值积分 (第 16.3 节)
- Newton updates: 牛顿更新 (第 17.4 节)
- nodes: 结点 (第 17.4 节)
- nearest centroid classifier: 最近重心分类器 (第 18.2 节)
- nearest centroid classifer: 最近重心分类器 (第 18.2 节)
- nearest shrunken centroids, NSC: 最近收缩重心 (第 18.2 节)
O¶
- outputs: 输出变量 (第 2.1 节)
- ordered categorical: 有序分类 (第 2.2 节)
- octave: 信频 (第 5.9 节)
- overflow: 超出 (第 6.1 节)
- off-line: 线下 (第 6.9 节)
- optimisim: 乐观 (第 7.9 节)
- optimism: 乐观 (第 7.4 节)
- ordinal scale: 定序型 (第 7.2 节)
- online training: 在线训练 (第 11.4 节)
- online training: 在线学习 (第 11.4 节)
- Optimal scores: 最优得分 (第 12.5 节)
- over-complete: 过充分 (第 16.3 节)
- ova: 一对多方法 (第 18.3 节)
- ovo: 一对一方法 (第 18.3 节)
- overfitting: 过拟合 (第 18.1 节)
P¶
- PSA: 前列腺癌特定抗原水平 (第 1.1 节, 第 1.1 节, 第 1.1 节, 第 1.1 节, 第 1.1 节, 第 1.1 节, 第 1.1 节, 第 1.1 节, 第 1.1 节)
- projection pursuit regression: 投影寻踪回归 (第 2.8 节)
- prior belief: 先验信仰 (第 2.8 节)
- predictors: 预测变量 (第 2.1 节)
- principal components: 主成分 (第 3.4 节)
- prediction accuracy: 精确性 (第 3.3 节)
- precomputer age of statistics: 前计算机时期 (第 3.1 节)
- perceptrons: 感知器 (第 4.5 节)
- perceptron learning algorithm: 感知器学习算法 (第 4.5 节)
- pair of classes: 类别对 (第 4.3 节)
- parsimonious: 最简洁 (第 4.4 节)
- perceptron: 感知器 (第 4.1 节)
- pyramidal schemes: 金字塔算法 (第 5.9 节)
- piecewise-polynimials: 分段多项式 (第 5.1 节)
- penalty matrix: 惩罚矩阵 (第 5.4 节)
- projection: 投影 (第 5.4 节)
- pairwise variance: 逐点方差 (第 5.2 节)
- prototype: 原型 (第 6.7 节, 第 12.7 节)
- predictive distribution: 预测分布 (第 8.3 节)
- parametric bootstrap: 参数自助法 (第 8.2 节)
- population linear regression: 总体线性回归 (第 8.8 节)
- primary split: 主要分割 (第 9.2 节)
- peeled: 剔除 (第 9.3 节)
- PRIM: 耐心规则归纳法 (第 9.3 节, 第 9.0 节)
- patience: 耐心 (第 9.3 节)
- partial dependence plot: 偏相依图 (第 10.8 节)
- purely additive: 纯可加的 (第 10.13 节)
- purely multiplicative: 纯可乘的 (第 10.13 节)
- partial: 偏 (第 10.13 节)
- partial dependence: 偏相依性 (第 10.13 节)
- pseudo residuals: 伪残差 (第 10.10 节)
- predictive learning: 预测学习 (第 10.7 节)
- Pacific coast: 太平洋沿岸 (第 10.14 节)
- primitive: 原型 (第 10.11 节)
- PPR: 投影寻踪回归 (第 11.2 节)
- projection pursuit model: 投影寻踪模型 (第 11.1 节)
- penalized discriminant analysis: 带惩罚的判别分析 (第 12.1 节, 第 12.6 节, 第 12.4 节)
- prototype methods: 原型方法 (第 13.2 节)
- pooled: 合并的 (第 13.4 节)
- pattern classification: 模式识别 (第 13.1 节)
- principal curves and surfaces: 主曲线和主曲面 (第 14.4 节)
- PRIM: 耐心规则诱导法 (第 14.2 节)
- predictability: 可预测性 (第 14.2 节)
- psychometrics: 心理测量学 (第 14.7 节)
- projection matrix: 投影矩阵 (第 14.5 节)
- Principal points: 主点 (第 14.5 节)
- Procrustes: 普罗库鲁斯提斯 (第 14.5 节)
- proximity plot: 邻近图 (第 15.3 节)
- Percentage Misclassification Error Explained: 解释的误分类率的百分比 (第 16.2 节)
- Percentage Squared Prediction Explained: 解释的方差的百分比 (第 16.2 节)
- partial covariances: 偏协方差 (第 17.3 节)
- Poisson log-linear modeling: 泊松对数线性建模 (第 17.4 节)
- partition function: 分割函数 (第 17.4 节, 第 17.2 节)
- path: 路径 (第 17.2 节)
- partition: 分割 (第 17.2 节)
- potential function: 势函数 (第 17.2 节)
- pairwise Markov properties: 逐对马尔科夫性质 (第 17.2 节)
- pairwise Markov independencies: 逐对马尔科夫独立 (第 17.2 节)
- pairwise Markov graphs: 成对马尔科夫图 (第 17.2 节)
- potential: 势 (第 17.1 节)
- posterior mode: 后验的众数 (第 18.4 节)
- prior probability: 先验概率 (第 18.2 节)
- proximity matrix: 相似性矩阵 (第 18.5 节)
- pooled within-class standard deviation: 合并类内标准差 (第 18.5 节)
- permutation distribution: 置换分布 (第 18.7 节)
Q¶
- quantitative: 定量 (第 2.2 节, 第 7.2 节)
- qualitative: 定性的 (第 2.2 节)
- quality: 质量 (第 7.1 节)
- query point: 查询点 (第 13.4 节)
- query image: 查询图像 (第 13.3 节)
R¶
- Radial basis functions: 径向基函数 (第 2.8 节, 第 6.7 节)
- regularization: 正则 (第 2.8 节)
- regression: 回归 (第 2.4 节, 第 2.2 节)
- rate: 速率 (第 2.4 节)
- responses: 响应变量 (第 2.1 节)
- response surface: 响应曲面 (第 2.6 节)
- rhomboid: 偏菱形 (第 3.4 节)
- Ridge regression: 岭回归 (第 3.4 节)
- reduced-rank regression: 降秩回归 (第 3.7 节)
- ridge nature: 刚性本质 (第 4.2 节)
- RDA: 降秩判别分析 (第 4.3 节)
- residual deviance: 残偏差 (第 4.4 节)
- reference: 参考 (第 5.9 节)
- reproducing kernel Hilbert space: 再生核希尔伯特空间 (第 5.8 节)
- RKHS: 再生核希尔伯特空间 (第 5.8 节)
- reproducing kernel Hilbert spaces: 再生核希尔伯特空间 (第 5.8 节, 第 12.3 节)
- radial basis functions: 径向基函数 (第 5.7 节)
- regression splines: 回归样条 (第 5.2 节)
- relative overfitting rate: 相对过拟合率 (第 7.11 节)
- ratio scale: 定比型 (第 7.2 节)
- responsibilities: 责任 (第 8.6 节)
- receiver operating characteristic curve, ROC: 受试者工作特征曲线 (第 9.2 节)
- reflected pair: 反射对 (第 9.4 节)
- richness: 丰度 (第 10.14 节)
- ridge function: 岭函数 (第 11.2 节)
- radical basis function network: 径向基函数网络 (第 11.3 节)
- regions: 区域 (第 14.2 节)
- rotation: 旋转 (第 14.5 节)
- right singular vectors: 右奇异向量 (第 14.5 节)
- reconstruction error: 重构误差 (第 14.5 节)
- Random forests: 随机森林 (第 15.1 节)
- relevance network: 相关网络 (第 17.3 节)
- RBM: 限制玻尔兹曼机 (第 17.4 节)
- renormalized: 重标准化 (第 18.4 节)
- radial kernel: 径向核 (第 18.5 节)
- RDA: 正则化判别分析 (第 18.3 节)
- recursive feature elimination: 递归特征消去 (第 18.3 节)
S¶
- smoothing: 光滑化 (第 2.8 节)
- smoothing: 光滑 (第 2.9 节)
- squared error loss: 平方误差损失 (第 2.4 节)
- simultaneously: 同时 (第 2.4 节)
- supervised learning: 监督学习 (第 2.1 节, 第 14.1 节)
- small: 小 (第 2.2 节)
- shrinkage methods: 收缩方法 (第 3.4 节)
- subset selection: 子集选择 (第 3.4 节)
- SVD: 奇异值分解 (第 3.4 节)
- stationary condition: 平稳条件 (第 3.4 节)
- simple coordinate descent: 简单坐标下降 (第 3.8 节)
- smoothly clipped absolute deviation, SCAD: 平稳削减绝对偏差法 (第 3.8 节)
- scale invariant: 尺度不变 (第 3.5 节)
- separating hyperplane classifiers: 分离超平面分类器 (第 4.5 节)
- stochastic gradient descent: 随机梯度下降 (第 4.5 节)
- support points: 支撑点 (第 4.5 节)
- slab: 平板 (第 4.5 节)
- support vector machine: 支持向量机 (第 4.5 节, 第 12.1 节, 第 12.3 节)
- self-consistency: 自一致性 (第 4.4 节)
- sparse: 稀疏 (第 5.9 节, 第 16.2 节)
- splines: 样条 (第 5.1 节)
- smoother matrix: 光滑矩阵 (第 5.4 节)
- shrinking: 收缩 (第 5.4 节)
- smoothing parameter: 光滑参数 (第 5.4 节)
- spurious: 假的 (第 5.7 节)
- stabilize: 稳定化 (第 5.7 节)
- span: 跨度 (第 6.2 节)
- short-term history of the series: 序列的短期记忆 (第 6.5 节)
- scatter-cloud: 散点云 (第 6.3 节)
- state-of-the-art: 最先进的 (第 6 章文献笔记)
- SRM, structural risk minimization: 结构风险最小化 (第 7.9 节, 第 12.3 节)
- sample standard deviation: 样本标准偏差 (第 7.10 节)
- standard error: 标准误差 (第 7.10 节)
- score function: 得分函数 (第 8.2 节)
- Stacked generalization: 堆栈泛化 (第 8.8 节)
- stacking: 堆栈 (第 8.8 节)
- soft probabilistic: 软概率的决定 (第 9.5 节)
- soft splits: 软分割 (第 9.5 节)
- surrogate splits: 代理分割 (第 9.6 节)
- sensitivity: 敏感度 (第 9.2 节)
- specificity: 特异度 (第 9.2 节)
- squared relative importance: 平方相对重要度 (第 10.13 节)
- steepest descent: 最速下降 (第 10.10 节)
- step length: 步长 (第 10.10 节)
- scaled classification tree: 缩放分类树 (第 10.9 节)
- salinity: 盐度 (第 10.14 节)
- single index model: 单指标模型 (第 11.2 节)
- stochastic approximation: 随机近似 (第 11.4 节)
- salt and pepper: 椒盐 (第 12.6 节)
- Single linkage, SL: 单链接 (第 14.3 节)
- similarities: 相似性 (第 14.3 节)
- self-organizing maps, SOM: 自组织图 (第 14.4 节)
- stress function: 压力函数 (第 14.8 节)
- support: 支撑集 (第 14.2 节)
- statistics folklore: 统计民俗学 (第 14.2 节)
- self-organizing maps: 自组织图 (第 14.5 节)
- sub-gradient: 次梯度 (第 17.3 节)
- separate: 分离 (第 17.2 节)
- subgraph: 子图 (第 17.2 节)
- soft thresholding: 软阈值 (第 18.2 节)
- scientific contextual knowledge: 科学的语境知识 (第 18.1 节)
T¶
- training error: 训练误差 (第 2.9 节, 第 7.4 节)
- test: 测试 (第 2.9 节)
- teacher: 老师 (第 2.6 节)
- training: 训练集 (第 2.6 节)
- training data: 训练数据 (第 2.2 节)
- targets: 指标 (第 2.2 节)
- training cases: 训练样本 (第 3.1 节)
- target: 目标值 (第 4.2 节)
- time and frequency localization: 时间和频率的局部化 (第 5.9 节)
- translation: 平移 (第 5.9 节, 第 14.5 节)
- trims down the hills and fills in the valleys: 坡顶被削减波谷被充填 (第 5.5 节)
- tensor product basis: 张量积基底 (第 5.7 节)
- truncated-power: 截断幂 (第 5.2 节)
- trimming the hills: 截断山坡 (第 6.1 节)
- tie: 结 (第 6.1 节)
- triangulation schemes: 三角化方案 (第 6.9 节)
- training-set-size: 训练集大小偏差 (第 7.11 节)
- tunning parameter: 调整参数 (第 7.2 节)
- the bias-variance tradeoff: 偏差-方差之间的权衡 (第 7.2 节)
- Training error: 训练误差 (第 7.2 节)
- test error: 测试误差 (第 7.2 节)
- Tree-based: 基于树 (第 9.2 节)
- The first surrogate: 第一代理 (第 9.2 节)
- trees: 树 (第 9.0 节)
- trellis: 网格 (第 10.13 节)
- the binomial negative log-likelihood: 二项分布负对数似然 (第 10.5 节)
- target function: 目标函数 (第 10.11 节)
- training epoch: 训练时期 (第 11.4 节)
- the structured space of functions: 函数的结构空间 (第 12.3 节)
- tangent distance: 切线距离 (第 13.3 节)
- tangent distance: 切向距离 (第 13.5 节)
- tilted: 倾斜的 (第 14.7 节)
- trailing eigenvectors: 尾特征向量 (第 14.9 节)
- tunning parameters: 调整参数 (第 15.3 节)
- time of flight: 时间长度 (第 18.4 节)
U¶
- underfit: 欠拟合 (第 2.9 节)
- univariate: 单变量 (第 2.4 节)
- upward bias: 向上的偏差 (第 7.11 节)
- univariate search: 坐标轮换 (第 8.5 节)
- universal approximator: 通用近似 (第 11.2 节)
- Update: 更新 (第 12.5 节)
- ultrametric inequality: 超度量不等式 (第 14.3 节)
- unsupervised learning: 非监督学习 (第 14.1 节)
- under-represented: 代表人数不足 (第 14.2 节)
- uncorrected: 不相关的 (第 14.7 节)
- units: 单元 (第 17.4 节)
- undirected graph: 无向图 (第 17.1 节)
V¶
- Voronoi tessellation: 泰森多边形图 (第 2.3 节)
- variance-covariance matrix: 协方差矩阵 (第 3.2 节)
- vanishing moments: 消失的矩 (第 5.9 节)
- varying coefficient models: 可变参数模型 (第 6.5 节)
- varying coefficient models: 可变系数模型 (第 6.4 节)
- vector quantization: 向量量化 (第 14.3 节)
- values: 值 (第 14.2 节)
- visible: 被观测到 (第 17.4 节)
W¶
- window size: 窗宽 (第 2.9 节)
- weight decay: 权重衰减 (第 3.4 节, 第 11.5 节)
- within-class: 组内 (第 4.3 节)
- wavelet transform: 小波变换 (第 5.9 节)
- working response: 工作响应变量 (第 5.6 节)
- wire-frame: 线框图 (第 6.3 节)
- WLSE: 加权最小二乘估计 (第 6.1 节)
- weak learners: 弱学习器 (第 8.7 节, 第 16.1 节)
- weakest link pruning: 最差连接剪枝 (第 9.2 节)
- weak learner: 弱学习器 (第 10 章文献笔记)
- weight elimination: 权重消去 (第 11.5 节)
- weights: 权重 (第 11.4 节)
- whitened: 白化 (第 14.7 节)
- warping function: 翘曲函数 (第 14.5 节)
- warping: 变换 (第 18.4 节)