HyperAI
Command Palette
Search for a command to run...
百科
机器学习术语表:探索关键AI和ML概念的定义与解释
Search for a command to run...
机器学习术语表:探索关键AI和ML概念的定义与解释
可理解性指事物的易理解度，主要是读者容易轻松理解。
极性检测是对自然语言中的文本做情感极性分类是被的一个过程。
激励函数是一种动力学原则，通常被用于神经网络模型中，该函数定义神经元如何根据其他神经元的活动来改变自己的激励值。 一般激励函数依赖于网络中的权重，其可引入非线性因素，通常被用于解决不可用线性方程解决的问题。
解析树也称作具体语法树，是语法分析结果的一种表现形式，以树状表示语言的语法结构。
结构是一种神经网络拓扑关系图的展示方法，其通常被用于神经网络领域。 在神经网络中，变量可以是神经元连接的权重和激励值。
解析梯度是指在神经网络算法中，使用反向传播计算目标函数关于每个参数的梯度。
近似或是逼近是指一个事物和另一事物类似，但不是完全相同。
近似贝叶斯计算（ABC）是一种基于贝叶斯统计的计算方法，可用于估计模型参数的后验分布。
近似推断方法是指从大量数据中采样学习，并采用假设-验证的逻辑来不断逼近真实模型。
在数学中, 一个距离矩阵是一个包含一组点两两之间距离的矩阵（即二维数组）。
即插即用生成网络（PPGN）是 Nguyen 等人在 2016 年提出的一个模型。
列名属性是指数据存在 ‘与名称相关’ 的特征，相应的值是一些符号或事物的名称。
累积误差反向传播是一种神经网络算法，采取基于梯度下降的策略，以目标的负梯度方向对参数进行调整，其目标是最小化训练误差。又称为「反向传播算法」，简称「BP 算法」
将关联的样本分成一组，一般用于非监督式学习。在所有样本均分组完毕后，相关人员便可选择性地为每个聚类赋予含义。 聚类算法有很多，例如，k-means 算法会基于样本与形心的接近程度聚类样本，如下图所示： 之后，研究人员便可 […]
绝对多数投票法是一种投票法，其需要有效票过半数才认可，在多个分类器对某一类别进行预测的情况下，只会预测高于总结果一半的部分。 以下是表示的公式： $latex {H{ \left( {x} \right) }\text{ […]
流形学习是模式识别中的基本方法，其基于观测到的现象中去寻找事物的本质，找到产生数据的内在规律。 流形学习分为线性流形学习算法和非线性流形学习算法两种，其中非线性流形学习算法包括等距映射 Isomap，拉普拉斯特征映射 L […]
均方误差是反映估计量与真实量之间差异程度的期望值，常被用于评价数据的变化程度，预测数据的精确度。 假设存在参数 $latex { \theta }$ ，其估计函数为 $latex {T}$ ，则有 $latex {MSE […]
机器翻译是利用计算机实现不同语言转换，其通常是将源语言翻译为目标语言。 翻译流程 从人为翻译来看机器翻译，翻译的过程可被细分如下： 解译来源文字的文意 重新编译此解析后所得的文意至目标语言。 翻译方法 一般机器翻译的步骤 […]
流形假设是半监督学习中的常用假设，另一种是聚类假设。 流形假设是指具有相似性质的示例，其通常处于较小的局部领域，因此标记也十分相似，这种假设反映了决策函数的局部平滑性。 不同于关注整体特性的聚类假设，流形假设更关注模型的 […]
极大似然估计是一种估计方法，主要用于确定模型参数，其通过找到最大化模型观测值的可能数据，并以此作为最终选择。 极大似然估计中采样满足独立同分布的假设，其目的在于利用已知的样本结果，反推最大概率导致相关结果的参数值。
懒惰学习是一种训练集处理方法，其会在收到测试样本的同时进行训练，与之相对的是急切学习，其会在训练阶段开始对样本进行学习处理。 若任务数据更替频繁，则可采用懒惰学习方式，先不进行任何训练，收到预测请求后再根据当前数据进行概 […]
类比学习是一种认知思维与推测的方法，其通过将两类事物或情形进行比较，找出它们在对象层上的相似关系，并以此为依据对比事物与情形之间的关系，通过适当整理/交换对应到另一事物上，从而获得对应的解。 类比学习的分类方法有以下几种 […]
留出法是一种模型评估方法，其通过将数据集 D 划分为两个互斥的集合，假设其中一个集合为训练集 S，另一个为测试集 T，则有： D = S ∪ T , S ∩ T = ∅ 训练/测试集的划分要尽可能保持数据分布的一致，为避 […]
剪枝是让决策树停止分支的一种方法。是为了解决决策树出现过拟合问题时的处理手段。
可理解性指事物的易理解度，主要是读者容易轻松理解。
极性检测是对自然语言中的文本做情感极性分类是被的一个过程。
激励函数是一种动力学原则，通常被用于神经网络模型中，该函数定义神经元如何根据其他神经元的活动来改变自己的激励值。 一般激励函数依赖于网络中的权重，其可引入非线性因素，通常被用于解决不可用线性方程解决的问题。
解析树也称作具体语法树，是语法分析结果的一种表现形式，以树状表示语言的语法结构。
结构是一种神经网络拓扑关系图的展示方法，其通常被用于神经网络领域。 在神经网络中，变量可以是神经元连接的权重和激励值。
解析梯度是指在神经网络算法中，使用反向传播计算目标函数关于每个参数的梯度。
近似或是逼近是指一个事物和另一事物类似，但不是完全相同。
近似贝叶斯计算（ABC）是一种基于贝叶斯统计的计算方法，可用于估计模型参数的后验分布。
近似推断方法是指从大量数据中采样学习，并采用假设-验证的逻辑来不断逼近真实模型。
在数学中, 一个距离矩阵是一个包含一组点两两之间距离的矩阵（即二维数组）。
即插即用生成网络（PPGN）是 Nguyen 等人在 2016 年提出的一个模型。
列名属性是指数据存在 ‘与名称相关’ 的特征，相应的值是一些符号或事物的名称。
累积误差反向传播是一种神经网络算法，采取基于梯度下降的策略，以目标的负梯度方向对参数进行调整，其目标是最小化训练误差。又称为「反向传播算法」，简称「BP 算法」
将关联的样本分成一组，一般用于非监督式学习。在所有样本均分组完毕后，相关人员便可选择性地为每个聚类赋予含义。 聚类算法有很多，例如，k-means 算法会基于样本与形心的接近程度聚类样本，如下图所示： 之后，研究人员便可 […]
绝对多数投票法是一种投票法，其需要有效票过半数才认可，在多个分类器对某一类别进行预测的情况下，只会预测高于总结果一半的部分。 以下是表示的公式： $latex {H{ \left( {x} \right) }\text{ […]
流形学习是模式识别中的基本方法，其基于观测到的现象中去寻找事物的本质，找到产生数据的内在规律。 流形学习分为线性流形学习算法和非线性流形学习算法两种，其中非线性流形学习算法包括等距映射 Isomap，拉普拉斯特征映射 L […]
均方误差是反映估计量与真实量之间差异程度的期望值，常被用于评价数据的变化程度，预测数据的精确度。 假设存在参数 $latex { \theta }$ ，其估计函数为 $latex {T}$ ，则有 $latex {MSE […]
机器翻译是利用计算机实现不同语言转换，其通常是将源语言翻译为目标语言。 翻译流程 从人为翻译来看机器翻译，翻译的过程可被细分如下： 解译来源文字的文意 重新编译此解析后所得的文意至目标语言。 翻译方法 一般机器翻译的步骤 […]
流形假设是半监督学习中的常用假设，另一种是聚类假设。 流形假设是指具有相似性质的示例，其通常处于较小的局部领域，因此标记也十分相似，这种假设反映了决策函数的局部平滑性。 不同于关注整体特性的聚类假设，流形假设更关注模型的 […]
极大似然估计是一种估计方法，主要用于确定模型参数，其通过找到最大化模型观测值的可能数据，并以此作为最终选择。 极大似然估计中采样满足独立同分布的假设，其目的在于利用已知的样本结果，反推最大概率导致相关结果的参数值。
懒惰学习是一种训练集处理方法，其会在收到测试样本的同时进行训练，与之相对的是急切学习，其会在训练阶段开始对样本进行学习处理。 若任务数据更替频繁，则可采用懒惰学习方式，先不进行任何训练，收到预测请求后再根据当前数据进行概 […]
类比学习是一种认知思维与推测的方法，其通过将两类事物或情形进行比较，找出它们在对象层上的相似关系，并以此为依据对比事物与情形之间的关系，通过适当整理/交换对应到另一事物上，从而获得对应的解。 类比学习的分类方法有以下几种 […]
留出法是一种模型评估方法，其通过将数据集 D 划分为两个互斥的集合，假设其中一个集合为训练集 S，另一个为测试集 T，则有： D = S ∪ T , S ∩ T = ∅ 训练/测试集的划分要尽可能保持数据分布的一致，为避 […]
剪枝是让决策树停止分支的一种方法。是为了解决决策树出现过拟合问题时的处理手段。