超全机器学习术语词汇表
from: https://www.jianshu.com/u/c9bd3225567e
A
準(zhǔn)確率（accuracy）
分類模型預(yù)測準(zhǔn)確的比例。在多類別分類中，準(zhǔn)確率定義如下：
在二分類中，準(zhǔn)確率定義為：
激活函數(shù)（Activation function）
一種函數(shù)（例如 ReLU 或 Sigmoid），將前一層所有神經(jīng)元激活值的加權(quán)和輸入到一個非線性函數(shù)中，然后向下一層傳遞該函數(shù)的輸出值（典型的非線性）。
AdaGrad
一種復(fù)雜的梯度下降算法，重新調(diào)節(jié)每個參數(shù)的梯度，高效地給每個參數(shù)一個單獨(dú)的學(xué)習(xí)率。
AUC（曲線下面積）
一種考慮到所有可能的分類閾值的評估標(biāo)準(zhǔn)。ROC 曲線下面積代表分類器隨機(jī)預(yù)測真正類（Ture Positives）要比假正類（False Positives）概率大的確信度。
B
反向傳播（Backpropagation）
神經(jīng)網(wǎng)絡(luò)中完成梯度下降的重要算法。首先，在前向傳播的過程中計算每個節(jié)點的輸出值。然后，在反向傳播的過程中計算與每個參數(shù)對應(yīng)的誤差的偏導(dǎo)數(shù)。
基線（Baseline）
被用為對比模型表現(xiàn)參考點的簡單模型。基線幫助模型開發(fā)者量化模型在特定問題上的預(yù)期表現(xiàn)。
批量
模型訓(xùn)練中一個迭代（指一次梯度更新）使用的樣本集。
批量大小（batch size）
一個批量中樣本的數(shù)量。例如，SGD 的批量大小為 1，而 mini-batch 的批量大小通常在 10-1000 之間。批量大小通常在訓(xùn)練與推理的過程中確定，然而 TensorFlow 不允許動態(tài)批量大小。
偏置（bias）
與原點的截距或偏移量。偏置（也稱偏置項）被稱為機(jī)器學(xué)習(xí)模型中的 b 或者 w0。例如，偏置項是以下公式中的 b：y′=b+w_1x_1+w_2x_2+…w_nx_n。
注意不要和預(yù)測偏差混淆。
二元分類器（binary classification）
一類分類任務(wù)，輸出兩個互斥（不相交）類別中的一個。例如，一個評估郵件信息并輸出「垃圾郵件」或「非垃圾郵件」的機(jī)器學(xué)習(xí)模型就是一個二元分類器。
binning/bucketing
根據(jù)值的范圍將一個連續(xù)特征轉(zhuǎn)換成多個稱為 buckets 或者 bins 二元特征，稱為 buckets 或者 bins。例如，將溫度表示為單一的浮點特征，可以將溫度范圍切割為幾個離散的 bins。假如給定的溫度的敏感度為十分之一度，那么分布在 0.0 度和 15.0 度之間的溫度可以放入一個 bin 中，15.1 度到 30.0 度放入第二個 bin，30.1 度到 45.0 度放入第三個 bin。
C
標(biāo)定層（calibration layer）
一種調(diào)整后期預(yù)測的結(jié)構(gòu)，通常用于解釋預(yù)測偏差。調(diào)整后的預(yù)期和概率必須匹配一個觀察標(biāo)簽集的分布。
候選采樣（candidate sampling）
一種優(yōu)化訓(xùn)練時間的，使用 Softmax 等算法計算所有正標(biāo)簽的概率，同時只計算一些隨機(jī)取樣的負(fù)標(biāo)簽的概率。例如，有一個樣本標(biāo)記為「小獵兔狗」和「狗」，候選取樣將計算預(yù)測概率，和與「小獵兔狗」和「狗」類別輸出（以及剩余的類別的隨機(jī)子集，比如「貓」、「棒棒糖」、「柵欄」）相關(guān)的損失項。這個想法的思路是，負(fù)類別可以通過頻率更低的負(fù)強(qiáng)化（negative reinforcement）進(jìn)行學(xué)習(xí)，而正類別經(jīng)常能得到適當(dāng)?shù)恼龔?qiáng)化，實際觀察確實如此。候選取樣的動力是計算有效性從所有負(fù)類別的非計算預(yù)測的得益。
檢查點（checkpoint）
在特定的時刻標(biāo)記模型的變量的狀態(tài)的數(shù)據(jù)。檢查點允許輸出模型的權(quán)重，也允許通過多個階段訓(xùn)練模型。檢查點還允許跳過錯誤繼續(xù)進(jìn)行（例如，搶占作業(yè)）。注意其自身的圖式并不包含于檢查點內(nèi)。
類別（class）
所有同類屬性的目標(biāo)值作為一個標(biāo)簽。例如，在一個檢測垃圾郵件的二元分類模型中，這兩個類別分別是垃圾郵件和非垃圾郵件。而一個多類別分類模型將區(qū)分狗的種類，其中的類別可以是貴賓狗、小獵兔狗、哈巴狗等等。
類別不平衡數(shù)據(jù)集（class-imbalanced data set）
這是一個二元分類問題，其中兩個類別的標(biāo)簽的分布頻率有很大的差異。比如，一個疾病數(shù)據(jù)集中若 0.01% 的樣本有正標(biāo)簽，而 99.99% 的樣本有負(fù)標(biāo)簽，那么這就是一個類別不平衡數(shù)據(jù)集。但對于一個足球比賽預(yù)測器數(shù)據(jù)集，若其中 51% 的樣本標(biāo)記一隊勝利，而 49% 的樣本標(biāo)記其它隊伍勝利，那么這就不是一個類別不平衡數(shù)據(jù)集。
分類模型（classification）
機(jī)器學(xué)習(xí)模型的一種，將數(shù)據(jù)分離為兩個或多個離散類別。例如，一個自然語言處理分類模型可以將一句話歸類為法語、西班牙語或意大利語。分類模型與回歸模型（regression model）成對比。
分類閾值（classification threshold）
應(yīng)用于模型的預(yù)測分?jǐn)?shù)以分離正類別和負(fù)類別的一種標(biāo)量值標(biāo)準(zhǔn)。當(dāng)需要將 logistic 回歸的結(jié)果映射到二元分類模型中時就需要使用分類閾值。例如，考慮一個確定給定郵件為垃圾郵件的概率的 logistic 回歸模型，如果分類閾值是 0.9，那么 logistic 回歸值在 0.9 以上的被歸為垃圾郵件，而在 0.9 以下的被歸為非垃圾郵件。
混淆矩陣（confusion matrix）
總結(jié)分類模型的預(yù)測結(jié)果的表現(xiàn)水平（即，標(biāo)簽和模型分類的匹配程度）的 NxN 表格。混淆矩陣的一個軸列出模型預(yù)測的標(biāo)簽，另一個軸列出實際的標(biāo)簽。N 表示類別的數(shù)量。在一個二元分類模型中，N=2。例如，以下為一個二元分類問題的簡單的混淆矩陣：
上述混淆矩陣展示了在 19 個確實為腫瘤的樣本中，有 18 個被模型正確的歸類（18 個真正），有 1 個被錯誤的歸類為非腫瘤（1 個假負(fù)類）。類似的，在 458 個確實為非腫瘤的樣本中，有 452 個被模型正確的歸類（452 個真負(fù)類），有 6 個被錯誤的歸類（6 個假正類）。
多類別分類的混淆矩陣可以幫助發(fā)現(xiàn)錯誤出現(xiàn)的模式。例如，一個混淆矩陣揭示了一個識別手寫數(shù)字體的模型傾向于將 4 識別為 9，或者將 7 識別為 1。混淆矩陣包含了足夠多的信息可以計算很多的模型表現(xiàn)度量，比如精度（precision）和召回（recall）率。
連續(xù)特征（continuous feature）
擁有無限個取值點的浮點特征。和離散特征（discrete feature）相反。
收斂（convergence）
訓(xùn)練過程達(dá)到的某種狀態(tài)，其中訓(xùn)練損失和驗證損失在經(jīng)過了確定的迭代次數(shù)后，在每一次迭代中，改變很小或完全不變。換句話說就是，當(dāng)對當(dāng)前數(shù)據(jù)繼續(xù)訓(xùn)練而無法再提升模型的表現(xiàn)水平的時候，就稱模型已經(jīng)收斂。在深度學(xué)習(xí)中，損失值下降之前，有時候經(jīng)過多次迭代仍保持常量或者接近常量，會造成模型已經(jīng)收斂的錯覺。
凸函數(shù)（concex function）
一種形狀大致呈字母 U 形或碗形的函數(shù)。然而，在退化情形中，凸函數(shù)的形狀就像一條線。例如，以下幾個函數(shù)都是凸函數(shù)：
L2 損失函數(shù)
Log 損失函數(shù)
L1 正則化函數(shù)
L2 正則化函數(shù)
凸函數(shù)是很常用的損失函數(shù)。因為當(dāng)一個函數(shù)有最小值的時候（通常就是這樣），梯度下降的各種變化都能保證找到接近函數(shù)最小值的點。類似的，隨機(jī)梯度下降的各種變化有很大的概率（雖然無法保證）找到接近函數(shù)最小值的點。
兩個凸函數(shù)相加（比如，L2 損失函數(shù)+L1 正則化函數(shù)）后仍然是凸函數(shù)。
深度模型通常是非凸的。出乎意料的是，以凸優(yōu)化的形式設(shè)計的算法通常都能在深度網(wǎng)絡(luò)上工作的很好，雖然很少能找到最小值。
成本（cost）
loss 的同義詞。
交叉熵（cross-entropy）
多類別分類問題中對 Log 損失函數(shù)的推廣。交叉熵量化兩個概率分布之間的區(qū)別。參見困惑度（perplexity）。
D
數(shù)據(jù)集（data set）
樣本的集合。
決策邊界（decision boundary）
在一個二元分類或多類別分類問題中模型學(xué)習(xí)的類別之間的分離器。例如，下圖就展示了一個二元分類問題，決策邊界即橙點類和藍(lán)點類的邊界。
深度模型（deep model）
一種包含多個隱藏層的神經(jīng)網(wǎng)絡(luò)。深度模型依賴于其可訓(xùn)練的非線性性質(zhì)。和寬度模型對照（wide model）。
密集特征（dense feature）
大多數(shù)取值為非零的一種特征，通常用取浮點值的張量（tensor）表示。和稀疏特征（sparse feature）相反。
派生特征（derived feature）
合成特征（synthetic feature）的同義詞。
離散特征（discrete feature）
只有有限個可能取值的一種特征。例如，一個取值只包括動物、蔬菜或礦物的特征就是離散（或類別）特征。和連續(xù)特征（continuous feature）對照。
dropout 正則化（dropout regularization）
訓(xùn)練神經(jīng)網(wǎng)絡(luò)時一種有用的正則化方法。dropout 正則化的過程是在單次梯度計算中刪去一層網(wǎng)絡(luò)中隨機(jī)選取的固定數(shù)量的單元。刪去的單元越多，正則化越強(qiáng)。
動態(tài)模型（dynamic model）
以連續(xù)更新的方式在線訓(xùn)練的模型。即數(shù)據(jù)連續(xù)不斷的輸入模型。
E
早期停止法（early stopping）
一種正則化方法，在訓(xùn)練損失完成下降之前停止模型訓(xùn)練過程。當(dāng)驗證數(shù)據(jù)集（validation data set）的損失開始上升的時候，即泛化表現(xiàn)變差的時候，就該使用早期停止法了。
嵌入（embeddings）
一類表示為連續(xù)值特征的明確的特征。嵌入通常指將高維向量轉(zhuǎn)換到低維空間中。例如，將一個英語句子中的單詞以以下任何一種方式表示：
擁有百萬數(shù)量級（高維）的元素的稀疏向量，其中所有的元素都是整數(shù)。向量的每一個單元表示一個單獨(dú)的英語單詞，單元中的數(shù)字表示該單詞在一個句子中出現(xiàn)的次數(shù)。由于一個句子中的單詞通常不會超過 50 個，向量中幾乎所有的單元都是 0。少量的非零的單元將取一個小的整數(shù)值（通常為 1）表示句子中一個單詞的出現(xiàn)次數(shù)。
擁有數(shù)百個（低維）元素的密集向量，其中每一個元素取 0 到 1 之間的浮點數(shù)。
在 TensorFlow 中，嵌入是通過反向傳播損失訓(xùn)練的，正如神經(jīng)網(wǎng)絡(luò)的其它參量一樣。
經(jīng)驗風(fēng)險最小化（empirical risk minimization，ERM）
選擇能最小化訓(xùn)練數(shù)據(jù)的損失的模型函數(shù)的過程。和結(jié)構(gòu)風(fēng)險最小化（structual risk minimization）對照。
集成（ensemble）
多個模型預(yù)測的綜合考慮。可以通過以下一種或幾種方法創(chuàng)建一個集成方法：
設(shè)置不同的初始化；
設(shè)置不同的超參量；
設(shè)置不同的總體結(jié)構(gòu)。
深度和廣度模型是一種集成。
評估器（Estimator）
tf.Estimator 類的一個例子，封裝 logic 以建立一個 TensorFlow 圖并運(yùn)行一個 TensorFlow session。你可以通過以下方式創(chuàng)建自己的評估器：https://www.tensorflow.org/extend/estimators
樣本（example）
一個數(shù)據(jù)集的一行內(nèi)容。一個樣本包含了一個或多個特征，也可能是一個標(biāo)簽。參見標(biāo)注樣本（labeled example）和無標(biāo)注樣本（unlabeled example）。
F
假負(fù)類（false negative，FN）
被模型錯誤的預(yù)測為負(fù)類的樣本。例如，模型推斷一封郵件為非垃圾郵件（負(fù)類），但實際上這封郵件是垃圾郵件。
假正類（false positive，FP）
被模型錯誤的預(yù)測為正類的樣本。例如，模型推斷一封郵件為垃圾郵件（正類），但實際上這封郵件是非垃圾郵件。
假正類率（false positive rate，FP rate）
ROC 曲線（ROC curve）中的 x 軸。FP 率的定義是：假正率=假正類數(shù)/(假正類數(shù)+真負(fù)類數(shù))
特征（feature）
輸入變量，用于做出預(yù)測。
特征列（feature columns/FeatureColumn）
具有相關(guān)性的特征的集合，比如用戶可能居住的所有可能的國家的集合。一個樣本的一個特征列中可能會有一個或者多個特征。
TensorFlow 中的特征列還可以壓縮元數(shù)據(jù)比如下列情況：
特征的數(shù)據(jù)類型；
一個特征是固定長度的或應(yīng)該轉(zhuǎn)換為嵌入。
一個特征列可以僅包含一個特征。「特征列」是谷歌專用的術(shù)語。在 VW 系統(tǒng)（Yahoo/Microsoft）中特征列的意義是「命名空間」（namespace），或者場（field）。
特征交叉（feature cross）
將特征進(jìn)行交叉（乘積或者笛卡爾乘積）運(yùn)算后得到的合成特征。特征交叉有助于表示非線性關(guān)系。
特征工程（feature engineering）
在訓(xùn)練模型的時候，決定哪些特征是有用的，然后將記錄文件和其它來源的原始數(shù)據(jù)轉(zhuǎn)換成上述特征的過程。在 TensorFlow 中特征工程通常意味著將原始記錄文件輸入 tf.Example 協(xié)議緩存中。參見 tf.Transform。特征工程有時候也稱為特征提取。
特征集（feature set）
機(jī)器學(xué)習(xí)模型訓(xùn)練的時候使用的特征群。比如，郵政編碼，面積要求和物業(yè)狀況可以組成一個簡單的特征集，使模型能預(yù)測房價。
特征定義（feature spec）
描述所需的信息從 tf.Example 協(xié)議緩存中提取特征數(shù)據(jù)。因為 tf.Example 協(xié)議緩存只是數(shù)據(jù)的容器，必須明確以下信息：
需要提取的數(shù)據(jù)（即特征的關(guān)鍵信息）
數(shù)據(jù)類型（比如，浮點數(shù)還是整數(shù)）
數(shù)據(jù)長度（固定的或者變化的）
Estimator API 提供了從一群特征列中生成一個特征定義的工具。
完全 softmax（full softmax）
參見 softmax。和候選采樣對照。
G
泛化（generalization）
指模型利用新的沒見過的數(shù)據(jù)而不是用于訓(xùn)練的數(shù)據(jù)作出正確的預(yù)測的能力。
廣義線性模型（generalized linear model）
最小二乘回歸模型的推廣/泛化，基于高斯噪聲，相對于其它類型的模型（基于其它類型的噪聲，比如泊松噪聲，或類別噪聲）。廣義線性模型的例子包括：
logistic 回歸
多分類回歸
最小二乘回歸
廣義線性模型的參數(shù)可以通過凸優(yōu)化得到，它具有以下性質(zhì)：
最理想的最小二乘回歸模型的平均預(yù)測結(jié)果等于訓(xùn)練數(shù)據(jù)的平均標(biāo)簽。
最理想的 logistic 回歸模型的平均概率的預(yù)測結(jié)果等于訓(xùn)練數(shù)據(jù)的平均標(biāo)簽。
廣義線性模型的能力局限于其特征的性質(zhì)。和深度模型不同，一個廣義線性模型無法「學(xué)習(xí)新的特征」。
梯度（gradient）
所有變量的偏導(dǎo)數(shù)的向量。在機(jī)器學(xué)習(xí)中，梯度是模型函數(shù)的偏導(dǎo)數(shù)向量。梯度指向最陡峭的上升路線。
梯度截斷（gradient clipping）
在應(yīng)用梯度之前先修飾數(shù)值，梯度截斷有助于確保數(shù)值穩(wěn)定性，防止梯度爆炸出現(xiàn)。
梯度下降（gradient descent）
通過計算模型的相關(guān)參量和損失函數(shù)的梯度最小化損失函數(shù)，值取決于訓(xùn)練數(shù)據(jù)。梯度下降迭代地調(diào)整參量，逐漸靠近權(quán)重和偏置的最佳組合，從而最小化損失函數(shù)。
圖（graph）
在 TensorFlow 中的一種計算過程展示。圖中的節(jié)點表示操作。節(jié)點的連線是有指向性的，表示傳遞一個操作（一個張量）的結(jié)果（作為一個操作數(shù)）給另一個操作。使用 TensorBoard 能可視化計算圖。
H
啟發(fā)式（heuristic）
一個問題的實際的和非最優(yōu)的解，但能從學(xué)習(xí)經(jīng)驗中獲得足夠多的進(jìn)步。
隱藏層（hidden layer）
神經(jīng)網(wǎng)絡(luò)中位于輸入層（即特征）和輸出層（即預(yù)測）之間的合成層。一個神經(jīng)網(wǎng)絡(luò)包含一個或多個隱藏層。
折頁損失函數(shù)（Hinge loss）
損失函數(shù)的一個類型，用于分類模型以尋找距離每個樣本的距離最大的決策邊界，即最大化樣本和邊界之間的邊緣。KSVMs 使用 hinge 損失函數(shù)（或相關(guān)的函數(shù)，比如平方 hinge 函數(shù)）。在二元分類中，hinge 損失函數(shù)按以下方式定義：
loss=max(0,1?(y′?y))
其中 y'是分類器模型的列輸出：
y′=b+w_1x_1+w_2x_2+…w_nx_n
y 是真實的標(biāo)簽，-1 或+1。
因此，hinge 損失將是下圖所示的樣子：
測試數(shù)據(jù)（holdout data）
有意不用于訓(xùn)練的樣本。驗證數(shù)據(jù)集（validation data set）和測試數(shù)據(jù)集（test data set）是測試數(shù)據(jù)（holdout data）的兩個例子。測試數(shù)據(jù)幫助評估模型泛化到除了訓(xùn)練數(shù)據(jù)之外的數(shù)據(jù)的能力。測試集的損失比訓(xùn)練集的損失提供了對未知數(shù)據(jù)集的損失更好的估計。
超參數(shù)（hyperparameter）
連續(xù)訓(xùn)練模型的過程中可以擰動的「旋鈕」。例如，相對于模型自動更新的參數(shù)，學(xué)習(xí)率（learning rate）是一個超參數(shù)。和參量對照。
I
獨(dú)立同分布（independently and identically distributed，i.i.d）
從不會改變的分布中獲取的數(shù)據(jù)，且獲取的每個值不依賴于之前獲取的值。i.i.d. 是機(jī)器學(xué)習(xí)的理想情況——一種有用但在現(xiàn)實世界中幾乎找不到的數(shù)學(xué)構(gòu)建。例如，網(wǎng)頁訪客的分布可能是短暫時間窗口上的 i.i.d；即分布不會在該時間窗口發(fā)生改變，每個人的訪問都與其他人的訪問獨(dú)立。但是，如果你擴(kuò)展了時間窗口，則會出現(xiàn)網(wǎng)頁訪客的季節(jié)性差異。
推斷（inference）
在機(jī)器學(xué)習(xí)中，通常指將訓(xùn)練模型應(yīng)用到無標(biāo)注樣本來進(jìn)行預(yù)測的過程。在統(tǒng)計學(xué)中，推斷指在觀察到的數(shù)據(jù)的基礎(chǔ)上擬合分布參數(shù)的過程。
輸入層（input layer）
神經(jīng)網(wǎng)絡(luò)的第一層（接收輸入數(shù)據(jù)）。
評分者間一致性（inter-rater agreement）
用來衡量一項任務(wù)中人類評分者意見一致的指標(biāo)。如果意見不一致，則任務(wù)說明可能需要改進(jìn)。有時也叫標(biāo)注者間信度（inter-annotator agreement）或評分者間信度（inter-rater reliability）。
K
Kernel 支持向量機(jī)（Kernel Support Vector Machines/KSVM）
一種分類算法，旨在通過將輸入數(shù)據(jù)向量映射到更高維度的空間使正類和負(fù)類之間的邊際最大化。例如，考慮一個輸入數(shù)據(jù)集包含一百個特征的分類問題。為了使正類和負(fù)類之間的間隔最大化，KSVM 從內(nèi)部將特征映射到百萬維度的空間。KSVM 使用的損失函數(shù)叫作 hinge 損失。
L
L1 損失函數(shù)（L1 loss）
損失函數(shù)基于模型對標(biāo)簽的預(yù)測值和真實值的差的絕對值而定義。L1 損失函數(shù)比起 L2 損失函數(shù)對異常值的敏感度更小。
L1 正則化（L1 regularization）
一種正則化，按照權(quán)重絕對值總和的比例進(jìn)行懲罰。在依賴稀疏特征的模型中，L1 正則化幫助促使（幾乎）不相關(guān)的特征的權(quán)重趨近于 0，從而從模型中移除這些特征。
L2 損失（L2 loss）
參見平方損失。
L2 正則化（L2 regularization）
一種正則化，按照權(quán)重平方的總和的比例進(jìn)行懲罰。L2 正則化幫助促使異常值權(quán)重更接近 0 而不趨近于 0。（可與 L1 正則化對照閱讀。）L2 正則化通常改善線性模型的泛化效果。
標(biāo)簽（label）
在監(jiān)督式學(xué)習(xí)中，樣本的「答案」或「結(jié)果」。標(biāo)注數(shù)據(jù)集中的每個樣本包含一或多個特征和一個標(biāo)簽。比如，在房屋數(shù)據(jù)集中，特征可能包括臥室數(shù)量、衛(wèi)生間數(shù)量、房齡，而標(biāo)簽可能就是房子的價格。在垃圾郵件檢測數(shù)據(jù)集中，特征可能包括主題、發(fā)出者何郵件本身，而標(biāo)簽可能是「垃圾郵件」或「非垃圾郵件」。
標(biāo)注樣本（labeled example）
包含特征和標(biāo)簽的樣本。在監(jiān)督式訓(xùn)練中，模型從標(biāo)注樣本中進(jìn)行學(xué)習(xí)。
lambda
正則化率的同義詞。（該術(shù)語有多種含義。這里，我們主要關(guān)注正則化中的定義。）
層（layer）
神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元序列，可以處理輸入特征序列或神經(jīng)元的輸出。
它也是 TensorFlow 的一種抽象化概念。層是將張量和配置選項作為輸入、輸出其他張量的 Python 函數(shù)。一旦必要的張量出現(xiàn)，用戶就可以通過模型函數(shù)將結(jié)果轉(zhuǎn)換成估計器。
學(xué)習(xí)率（learning rate）
通過梯度下降訓(xùn)練模型時使用的一個標(biāo)量。每次迭代中，梯度下降算法使學(xué)習(xí)率乘以梯度，乘積叫作 gradient step。
學(xué)習(xí)率是一個重要的超參數(shù)。
最小二乘回歸（least squares regression）
通過 L2 損失最小化進(jìn)行訓(xùn)練的線性回歸模型。
線性回歸（linear regression）
對輸入特征的線性連接輸出連續(xù)值的一種回歸模型。
logistic 回歸（logistic regression）
將 sigmoid 函數(shù)應(yīng)用于線性預(yù)測，在分類問題中為每個可能的離散標(biāo)簽值生成概率的模型。盡管 logistic 回歸常用于二元分類問題，但它也用于多類別分類問題（這種情況下，logistic 回歸叫作「多類別 logistic 回歸」或「多項式 回歸」。
對數(shù)損失函數(shù)（Log Loss）
二元 logistic 回歸模型中使用的損失函數(shù)。
損失
度量模型預(yù)測與標(biāo)簽距離的指標(biāo)，它是度量一個模型有多糟糕的指標(biāo)。為了確定損失值，模型必須定義損失函數(shù)。例如，線性回歸模型通常使用均方差作為損失函數(shù)，而 logistic 回歸模型使用對數(shù)損失函數(shù)。
M
機(jī)器學(xué)習(xí)（machine learning）
利用輸入數(shù)據(jù)構(gòu)建（訓(xùn)練）預(yù)測模型的項目或系統(tǒng)。該系統(tǒng)使用學(xué)習(xí)的模型對與訓(xùn)練數(shù)據(jù)相同分布的新數(shù)據(jù)進(jìn)行有用的預(yù)測。機(jī)器學(xué)習(xí)還指與這些項目或系統(tǒng)相關(guān)的研究領(lǐng)域。
均方誤差（Mean Squared Error/MSE）
每個樣本的平均平方損失。MSE 可以通過平方損失除以樣本數(shù)量來計算。TensorFlow Playground 展示「訓(xùn)練損失」和「測試損失」的值是 MSE。
小批量（mini-batch）
在訓(xùn)練或推斷的一個迭代中運(yùn)行的整批樣本的一個小的隨機(jī)選擇的子集。小批量的大小通常在 10 到 1000 之間。在小批量數(shù)據(jù)上計算損失比在全部訓(xùn)練數(shù)據(jù)上計算損失要高效的多。
小批量隨機(jī)梯度下降（mini-batch stochastic gradient descent）
使用小批量的梯度下降算法。也就是，小批量隨機(jī)梯度下降基于訓(xùn)練數(shù)據(jù)的子集對 梯度進(jìn)行評估。Vanilla SGD 使用 size 為 1 的小批量。
模型（model）
機(jī)器學(xué)習(xí)系統(tǒng)從訓(xùn)練數(shù)據(jù)中所學(xué)內(nèi)容的表示。該術(shù)語有多個含義，包括以下兩個相關(guān)含義：
TensorFlow 圖，顯示如何計算預(yù)測的結(jié)構(gòu)。
TensorFlow 圖的特定權(quán)重和偏差，由訓(xùn)練決定。
模型訓(xùn)練（model training）
確定最佳模型的過程。
動量（Momentum）
一種復(fù)雜的梯度下降算法，其中的學(xué)習(xí)步不只依賴于當(dāng)前步的導(dǎo)數(shù)，還依賴于先于它的步。動量包括隨著時間計算梯度的指數(shù)加權(quán)移動平均數(shù)，類似于物理學(xué)中的動量。動量有時可以阻止學(xué)習(xí)陷于局部最小值。
多類別（multi-class）
在多于兩類的類別中進(jìn)行分類的分類問題。例如，有約 128 種楓樹，那么分類楓樹品種的模型就是多類別的。反之，把電子郵件分成兩個類別（垃圾郵件和非垃圾郵件）的模型是二元分類器模型。
N
NaN trap
訓(xùn)練過程中，如果模型中的一個數(shù)字變成了 NaN，則模型中的很多或所有其他數(shù)字最終都變成 NaN。NaN 是「Not a Number」的縮寫。
負(fù)類（negative class）
在二元分類中，一個類別是正類，另外一個是負(fù)類。正類就是我們要找的目標(biāo)，負(fù)類是另外一種可能性。例如，醫(yī)療測試中的負(fù)類可能是「非腫瘤」，電子郵件分類器中的負(fù)類可能是「非垃圾郵件」。
神經(jīng)網(wǎng)絡(luò)（neural network）
該模型從大腦中獲取靈感，由多個層組成（其中至少有一個是隱藏層），每個層包含簡單的連接單元或神經(jīng)元，其后是非線性。
神經(jīng)元（neuron）
神經(jīng)網(wǎng)絡(luò)中的節(jié)點，通常輸入多個值，生成一個輸出值。神經(jīng)元通過將激活函數(shù)（非線性轉(zhuǎn)換）應(yīng)用到輸入值的加權(quán)和來計算輸出值。
歸一化（normalization）
將值的實際區(qū)間轉(zhuǎn)化為標(biāo)準(zhǔn)區(qū)間的過程，標(biāo)準(zhǔn)區(qū)間通常是-1 到+1 或 0 到 1。例如，假設(shè)某個特征的自然區(qū)間是 800 到 6000。通過減法和分割，你可以把那些值標(biāo)準(zhǔn)化到區(qū)間-1 到+1。參見縮放。
numpy
Python 中提供高效數(shù)組運(yùn)算的開源數(shù)學(xué)庫。pandas 基于 numpy 構(gòu)建。
O
目標(biāo)（objective）
算法嘗試優(yōu)化的目標(biāo)函數(shù)。
離線推斷（offline inference）
生成一組預(yù)測并存儲，然后按需檢索那些預(yù)測。可與在線推斷對照閱讀。
one-hot 編碼（one-hot encoding）
一個稀疏向量，其中：
一個元素設(shè)置為 1。
所有其他的元素設(shè)置為 0。
獨(dú)熱編碼常用于表示有有限可能值集合的字符串或標(biāo)識符。例如，假設(shè)一個記錄了 15000 個不同品種的植物數(shù)據(jù)集，每一個用獨(dú)特的字符串標(biāo)識符來表示。作為特征工程的一部分，你可能將那些字符串標(biāo)識符進(jìn)行獨(dú)熱編碼，每個向量的大小為 15000。
一對多（one-vs.-all）
給出一個有 N 個可能解決方案的分類問題，一對多解決方案包括 N 個獨(dú)立的二元分類器——每個可能的結(jié)果都有一個二元分類器。例如，一個模型將樣本分為動物、蔬菜或礦物，則一對多的解決方案將提供以下三種獨(dú)立的二元分類器：
動物和非動物
蔬菜和非蔬菜
礦物和非礦物
在線推斷（online inference）
按需生成預(yù)測。可與離線推斷對照閱讀。
運(yùn)算（Operation/op）
TensorFlow 圖中的一個節(jié)點。在 TensorFlow 中，任何創(chuàng)建、控制或損壞張量的步驟都是運(yùn)算。例如，矩陣乘法是一個把兩個張量作為輸入、生成一個張量作為輸出的運(yùn)算。
優(yōu)化器（optimizer）
梯度下降算法的特定實現(xiàn)。TensorFlow 的基類優(yōu)化器是 tf.train.Optimizer。不同的優(yōu)化器（tf.train.Optimizer 的子類）對應(yīng)不同的概念，如：
動量（Momentum）
更新頻率（AdaGrad = ADAptive GRADient descent；Adam = ADAptive with Momentum；RMSProp）
稀疏性／正則化（Ftrl）
更復(fù)雜的數(shù)學(xué)（Proximal 及其他）
你甚至可以想象 NN-driven optimizer。
異常值（outlier）
與大多數(shù)值差別很大的值。在機(jī)器學(xué)習(xí)中，下列都是異常值：
高絕對值的權(quán)重。
與實際值差距過大的預(yù)測值。
比平均值多大約 3 個標(biāo)準(zhǔn)差的輸入數(shù)據(jù)的值。
異常值往往使模型訓(xùn)練中出現(xiàn)問題。
輸出層（output layer）
神經(jīng)網(wǎng)絡(luò)的「最后」一層。這一層包含整個·模型所尋求的答案。
過擬合（overfitting）
創(chuàng)建的模型與訓(xùn)練數(shù)據(jù)非常匹配，以至于模型無法對新數(shù)據(jù)進(jìn)行正確的預(yù)測。
P
pandas
一種基于列的數(shù)據(jù)分析 API。很多機(jī)器學(xué)習(xí)框架，包括 TensorFlow，支持 pandas 數(shù)據(jù)結(jié)構(gòu)作為輸入。參見 pandas 文檔。
參數(shù)（parameter）
機(jī)器學(xué)習(xí)系統(tǒng)自行訓(xùn)練的模型的變量。例如，權(quán)重是參數(shù)，它的值是機(jī)器學(xué)習(xí)系統(tǒng)通過連續(xù)的訓(xùn)練迭代逐漸學(xué)習(xí)到的。可與超參數(shù)對照閱讀。
參數(shù)服務(wù)器（Parameter Server/PS）
用于在分布式設(shè)置中跟蹤模型參數(shù)。
參數(shù)更新（parameter update）
在訓(xùn)練過程中調(diào)整模型參數(shù)的操作，通常在梯度下降的單個迭代中進(jìn)行。
偏導(dǎo)數(shù)（partial derivative）
一個多變量函數(shù)的偏導(dǎo)數(shù)是它關(guān)于其中一個變量的導(dǎo)數(shù)，而保持其他變量恒定。例如，f(x, y) 對于 x 的偏導(dǎo)數(shù)就是 f(x) 的導(dǎo)數(shù)，y 保持恒定。x 的偏導(dǎo)數(shù)中只有 x 是變化的，公式中其他的變量都不用變化。
分區(qū)策略（partitioning strategy）
在多個參數(shù)服務(wù)器中分割變量的算法。
性能（performance）
具有多種含義：
在軟件工程中的傳統(tǒng)含義：軟件運(yùn)行速度有多快／高效？
在機(jī)器學(xué)習(xí)中的含義：模型的準(zhǔn)確率如何？即，模型的預(yù)測結(jié)果有多好？
困惑度（perplexity）
對模型完成任務(wù)的程度的一種度量指標(biāo)。例如，假設(shè)你的任務(wù)是閱讀用戶在智能手機(jī)上輸入的單詞的頭幾個字母，并提供可能的完整單詞列表。該任務(wù)的困惑度（perplexity，P）是為了列出包含用戶實際想輸入單詞的列表你需要進(jìn)行的猜測數(shù)量。
困惑度和交叉熵的關(guān)系如下：
流程（pipeline）
機(jī)器學(xué)習(xí)算法的基礎(chǔ)架構(gòu)。管道包括收集數(shù)據(jù)、將數(shù)據(jù)放入訓(xùn)練數(shù)據(jù)文件中、訓(xùn)練一或多個模型，以及最終輸出模型。
正類（positive class）
在二元分類中，有兩種類別：正類和負(fù)類。正類是我們測試的目標(biāo)。（不過必須承認(rèn)，我們同時測試兩種結(jié)果，但其中一種不是重點。）例如，醫(yī)療測試中正類可能是「腫瘤」，電子郵件分類器中的正類可能是「垃圾郵件」。可與負(fù)類對照閱讀。
精度（precision）
分類模型的一種指標(biāo)。準(zhǔn)確率指模型預(yù)測正類時預(yù)測正確的頻率。即：
預(yù)測（prediction）
模型在輸入樣本后的輸出結(jié)果。
預(yù)測偏差（prediction bias）
揭示預(yù)測的平均值與數(shù)據(jù)集中標(biāo)簽的平均值的差距。
預(yù)制評估器（pre-made Estimator）
已經(jīng)構(gòu)建好的評估器。TensorFlow 提供多個預(yù)制評估器，包括 DNNClassifier、DNNRegressor 和 LinearClassifier。你可以根據(jù)指導(dǎo)（https://www.tensorflow.org/extend/estimators）構(gòu)建自己的預(yù)制評估器。
預(yù)訓(xùn)練模型（pre-trained model）
已經(jīng)訓(xùn)練好的模型或模型組件（如嵌入）。有時，你將預(yù)訓(xùn)練嵌入饋送至神經(jīng)網(wǎng)絡(luò)。其他時候，你的模型自行訓(xùn)練嵌入，而不是依賴于預(yù)訓(xùn)練嵌入。
先驗信念（prior belief）
訓(xùn)練開始之前你對數(shù)據(jù)的信念。例如，L2 正則化依賴于權(quán)重值很小且正常分布在 0 周圍的信念。
Q
隊列（queue）
實現(xiàn)隊列數(shù)據(jù)結(jié)構(gòu)的 TensorFlow 操作。通常在輸入／輸出（I/O）中使用。
R
秩（rank）
機(jī)器學(xué)習(xí)領(lǐng)域中包含多種含義的術(shù)語：
張量中的維度數(shù)量。比如，標(biāo)量有 1 個秩，向量有 1 個秩，矩陣有 2 個秩。（注：在這個詞匯表中，「秩」的概念和線性代數(shù)中「秩」的概念不一樣，例如三階可逆矩陣的秩為 3。）
機(jī)器學(xué)習(xí)問題中類別的序數(shù)位置，按從高到低的順序給類別分類。比如，行為排序系統(tǒng)可以把狗的獎勵按從高（牛排）到低（甘藍(lán)）排序。
評分者（rater）
為樣本提供標(biāo)簽的人，有時也叫「標(biāo)注者」。
召回率（recall）
分類模型的一個指標(biāo)，可以回答這個問題：模型能夠準(zhǔn)確識別多少正標(biāo)簽？即：
修正線性單元（Rectified Linear Unit/ReLU）
一種具備以下規(guī)則的激活函數(shù)：
如果輸入為負(fù)或零，則輸出為 0。
如果輸入為正，則輸出與輸入相同。
回歸模型（regression model）
一種輸出持續(xù)值（通常是浮點數(shù)）的模型。而分類模型輸出的是離散值，如「day lily」或「tiger lily」。
正則化（regularization）
對模型復(fù)雜度的懲罰。正則化幫助防止過擬合。正則化包括不同種類：
L1 正則化
L2 正則化
dropout 正則化
early stopping（這不是正式的正則化方法，但可以高效限制過擬合）
正則化率（regularization rate）
一種標(biāo)量級，用 lambda 來表示，指正則函數(shù)的相對重要性。從下面這個簡化的損失公式可以看出正則化率的作用：
minimize(loss function + λ(regularization function))
提高正則化率能夠降低過擬合，但可能會使模型準(zhǔn)確率降低。
表征
將數(shù)據(jù)映射到有用特征的過程。
受試者工作特征曲線（receiver operating characteristic/ROC Curve）
反映在不同的分類閾值上，真正類率和假正類率的比值的曲線。參見 AUC。
根目錄（root directory）
指定放置 TensorFlow 檢查點文件子目錄和多個模型的事件文件的目錄。
均方根誤差（Root Mean Squared Error/RMSE）
均方誤差的平方根。
S
Saver
負(fù)責(zé)存儲模型檢查點文件的 TensorFlow 對象。
縮放（scaling）
特征工程中常用的操作，用于控制特征值區(qū)間，使之與數(shù)據(jù)集中其他特征的區(qū)間匹配。例如，假設(shè)你想使數(shù)據(jù)集中所有的浮點特征的區(qū)間為 0 到 1。給定一個特征區(qū)間是 0 到 500，那么你可以通過將每個值除以 500，縮放特征值區(qū)間。還可參見正則化。
scikit-learn
一種流行的開源機(jī)器學(xué)習(xí)平臺。網(wǎng)址：www.scikit-learn.org
序列模型（sequence model）
輸入具有序列依賴性的模型。例如，根據(jù)之前觀看過的視頻序列對下一個視頻進(jìn)行預(yù)測。
會話（session）
保持 TensorFlow 程序的狀態(tài)（如變量）。
Sigmoid 函數(shù)（sigmoid function）
把 logistic 或多項式回歸輸出（對數(shù)幾率）映射到概率的函數(shù)，返回的值在 0 到 1 之間。sigmoid 函數(shù)的公式如下：
其中σ在 logistic 回歸問題中只是簡單的：
在有些神經(jīng)網(wǎng)絡(luò)中，sigmoid 函數(shù)和激活函數(shù)一樣。
softmax
為多類別分類模型中每個可能的類提供概率的函數(shù)。概率加起來的總和是 1.0。例如，softmax 可能檢測到某個圖像是一只狗的概率為 0.9，是一只貓的概率為 0.08，是一匹馬的概率為 0.02。（也叫作 full softmax）。
稀疏特征（sparse feature）
值主要為 0 或空的特征向量。比如，一個向量的值有 1 個 1,、一百萬個 0，則該向量為稀疏向量。再比如，搜索查詢中的單詞也是稀疏向量：在一種語言中有很多可以用的單詞，但給定的查詢中只用了其中的一些。
可與稠密特征對照閱讀。
平方損失（squared loss）
線性回歸中使用的損失函數(shù)（也叫作 L2 Loss）。該函數(shù)計算模型對標(biāo)注樣本的預(yù)測值和標(biāo)簽真正值之間差的平方。在平方之后，該損失函數(shù)擴(kuò)大了不良預(yù)測的影響。即，平方損失比 L1 Loss 對異常值（outlier）的反應(yīng)更加強(qiáng)烈。
靜態(tài)模型（static model）
離線訓(xùn)練的模型。
穩(wěn)態(tài)（stationarity）
數(shù)據(jù)集中的一種數(shù)據(jù)屬性，數(shù)據(jù)分布在一或多個維度中保持不變。通常情況下，維度是時間，意味著具備平穩(wěn)性的數(shù)據(jù)不會隨著時間發(fā)生變化。比如，具備平穩(wěn)性的數(shù)據(jù)從 9 月到 12 月不會改變。
步（step）
一個批量中的前向和后向評估。
步長（step size）
學(xué)習(xí)速率（learning rate）乘以偏導(dǎo)數(shù)的值，即梯度下降中的步長。
隨機(jī)梯度下降（stochastic gradient descent/SGD）
批量大小為 1 的梯度下降算法。也就是說，SGD 依賴于從數(shù)據(jù)集中隨機(jī)均勻選擇出的一個樣本，以評估每一步的梯度。
結(jié)構(gòu)風(fēng)險最小化（structural risk minimization/SRM）
這種算法平衡兩個目標(biāo)：
構(gòu)建預(yù)測性最強(qiáng)的模型（如最低損失）。
使模型盡量保持簡單（如強(qiáng)正則化）。
比如，在訓(xùn)練集上的損失最小化 + 正則化的模型函數(shù)就是結(jié)構(gòu)風(fēng)險最小化算法。更多信息，參見 http://www.svms.org/srm/。可與經(jīng)驗風(fēng)險最小化對照閱讀。
摘要（summary）
在 TensorFlow 中，特定步計算的值或值的集合，通常用于跟蹤訓(xùn)練過程中的模型指標(biāo)。
監(jiān)督式機(jī)器學(xué)習(xí)（supervised machine learning）
利用輸入數(shù)據(jù)及其對應(yīng)標(biāo)簽來訓(xùn)練模型。監(jiān)督式機(jī)器學(xué)習(xí)類似學(xué)生通過研究問題和對應(yīng)答案進(jìn)行學(xué)習(xí)。在掌握問題和答案之間的映射之后，學(xué)生就可以提供同樣主題的新問題的答案了。可與非監(jiān)督機(jī)器學(xué)習(xí)對照閱讀。
合成特征（synthetic feature）
不在輸入特征中，而是從一個或多個輸入特征中派生出的特征。合成特征的類型包括：
特征與自己或其他特征相乘（叫作特征交叉）。
兩個特征相除。
將連續(xù)的特征放進(jìn) range bin 中。
由歸一化或縮放單獨(dú)創(chuàng)建的特征不是合成特征。
T
張量（tensor）
TensorFlow 項目的主要數(shù)據(jù)結(jié)構(gòu)。張量是 N 維數(shù)據(jù)結(jié)構(gòu)（N 的值很大），經(jīng)常是標(biāo)量、向量或矩陣。張量可以包括整數(shù)、浮點或字符串值。
張量處理單元（Tensor Processing Unit，TPU）
優(yōu)化 TensorFlow 性能的 ASIC（application-specific integrated circuit，專用集成電路）。
張量形狀（Tensor shape）
張量的元素數(shù)量包含在不同維度中。比如，[5, 10] 張量在一個維度中形狀為 5，在另一個維度中形狀為 10。
張量大小（Tensor size）
張量包含的標(biāo)量總數(shù)。比如，[5, 10] 張量的大小就是 50。
TensorBoard
展示一個或多個 TensorFlow 項目運(yùn)行過程中保存的摘要數(shù)據(jù)的控制面板。
TensorFlow
大型分布式機(jī)器學(xué)習(xí)平臺。該術(shù)語還指 TensorFlow 堆棧中的基礎(chǔ) API 層，支持?jǐn)?shù)據(jù)流圖上的通用計算。
盡管 TensorFlow 主要用于機(jī)器學(xué)習(xí)，但是它也適用于要求使用數(shù)據(jù)流圖進(jìn)行數(shù)值運(yùn)算的非機(jī)器學(xué)習(xí)任務(wù)。
TensorFlow Playground
一個可以看到不同超參數(shù)對模型（主要是神經(jīng)網(wǎng)絡(luò)）訓(xùn)練的影響的平臺。前往 http://playground.tensorflow.org，使用 TensorFlow Playground。
TensorFlow Serving
幫助訓(xùn)練模型使之可部署到產(chǎn)品中的平臺。
測試集（test set）
數(shù)據(jù)集的子集。模型經(jīng)過驗證集初步測試之后，使用測試集對模型進(jìn)行測試。可與訓(xùn)練集和驗證集對照閱讀。
tf.Example
一種標(biāo)準(zhǔn) protocol buffer，用于描述機(jī)器學(xué)習(xí)模型訓(xùn)練或推斷的輸入數(shù)據(jù)。
訓(xùn)練（training）
確定組成模型的完美參數(shù)的流程。
訓(xùn)練集（training set）
數(shù)據(jù)集子集，用于訓(xùn)練模型。可與驗證集和測試集對照閱讀。
真負(fù)類（true negative，TN）
被模型正確地預(yù)測為負(fù)類的樣本。例如，模型推斷某封電子郵件不是垃圾郵件，然后該電郵真的不是垃圾郵件。
真正類（true positive，TP）
被模型正確地預(yù)測為正類的樣本。例如，模型推斷某封電子郵件是垃圾郵件，結(jié)果該電郵真的是垃圾郵件。
真正類率（true positive rate，TP rate）
召回率（recall）的同義詞。即：
TruePositiveRate=TruePositives/(TruePositives+FalseNegatives)
真正類率是 ROC 曲線的 y 軸。
U
無標(biāo)簽樣本（unlabeled example）
包含特征但沒有標(biāo)簽的樣本。無標(biāo)簽樣本是推斷的輸入。在半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的訓(xùn)練過程中，通常使用無標(biāo)簽樣本。
無監(jiān)督機(jī)器學(xué)習(xí)（unsupervised machine learning）
訓(xùn)練一個模型尋找數(shù)據(jù)集（通常是無標(biāo)簽數(shù)據(jù)集）中的模式。
無監(jiān)督機(jī)器學(xué)習(xí)最常用于將數(shù)據(jù)分成幾組類似的樣本。例如，無監(jiān)督機(jī)器學(xué)習(xí)算法可以根據(jù)音樂的各種屬性聚類數(shù)據(jù)。用這種方式收集的數(shù)據(jù)可以作為其他機(jī)器學(xué)習(xí)算法（如音樂推薦服務(wù)）的輸入。聚類在難以獲取真正標(biāo)簽的情景中非常有用。例如，在反欺詐和反濫用的情景中，聚類可以幫助人類更好地理解數(shù)據(jù)。
無監(jiān)督機(jī)器學(xué)習(xí)的另一個例子是主成分分析（principal component analysis，PCA）。如，將 PCA 應(yīng)用于包含數(shù)百萬購物車內(nèi)容的數(shù)據(jù)集中時，就有可能發(fā)現(xiàn)有檸檬的購物車往往也有解酸劑。可與監(jiān)督式機(jī)器學(xué)習(xí)對照閱讀。
V
驗證集（validation set）
數(shù)據(jù)集的一個子集（與訓(xùn)練集不同），可用于調(diào)整超參數(shù)。可與訓(xùn)練集和測試集對照閱讀。
W
權(quán)重（weight）
線性模型中的特征系數(shù)，或者深度網(wǎng)絡(luò)中的邊緣。線性模型的訓(xùn)練目標(biāo)是為每個特征確定一個完美的權(quán)重。如果權(quán)重為 0，則對應(yīng)的特征對模型而言是無用的。
寬模型（wide model）
線性模型通常具備很多稀疏輸入特征。我們稱之為「寬」模型，因其具有大量與輸出節(jié)點直接連接的輸入，是一種特殊類型的神經(jīng)網(wǎng)絡(luò)。寬模型通常比深度模型更容易調(diào)試（debug）和檢查。盡管寬模型無法通過隱藏層表達(dá)非線性，但它們可以使用特征交叉和 bucketization 等轉(zhuǎn)換用不同方式對非線性建模。可與深度模型對照閱讀。
總結(jié)
以上是生活随笔為你收集整理的超全机器学习术语词汇表的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： protobuf与protoc-gen-
- 下一篇： SSE,MSE,RMSE,R-squar