统计学习方法的符号表

2019-01-31 本文已影响0人相对论vs量子力学

符号	数学含义
$R$	实数集
$R^n$	n维实数向量空间，n维欧式空间
$H$	希尔伯特空间
X	输入空间
Y	输出空间
$x \in X$	输入，实例
$y \in Y$	输出，标记
$X$	输入随机变量
$Y$	输出随机变量
$T=\{ (x_1,y_1), (x_2,y_2),...,(x_N,y_N)\}$	训练数据集
$N$	样本容量
$(x_i, y_i)$	第i个训练数据点
$x=(x^{(1)},x^{(2)},...,x^{(n)})^T$	输入向量，n维实数向量
$x_i^{(j)}$	输入向量 $x_i$ 的第j个分量
$P(X), P(Y)$	概率分布
$P(X,Y)$	联合概率分布
$F$	假设空间
$f\in F$	模型，特征函数
$\theta, \omega$	模型参数
$\omega = (\omega_1, \omega_2,...,\omega_n)^T$	权值向量
$b$	偏置
$J(f)$	模型的复杂度
$R_{emp}$	经验风险或经验损失
$R_{exp}$	风险函数或期望损失
$L$	损失函数，拉格朗日函数
$\eta$	学习率
$\parallel \cdot \parallel_1$	$L_1$ 范数
$\parallel \cdot \parallel_2$	$L_2$ 范数
$(x \centerdot x^{'})$	向量 $x$ 和 $x^{'}$ 的内积
$H(X), H(p)$	熵
$H(Y \mid X)$	条件熵
$S$	分离超平面
$\alpha = (\alpha_1, \alpha_2, ..., \alpha_n)^T$	拉格朗日乘子，对偶问题变量
$\alpha_i$	对偶问题的第 $i$ 个变量
$K(x,z)$	核函数
$sign(x)$	符号函数
$I(x)$	指示函数
$Z(x)$	规范化因子

上一篇下一篇

猜你喜欢

热点阅读