tag.md

A

• activation: 激活 (第 2.8 节)
• ability to classify: 判别能力 (第 4.3 节)
• analysis of deviance: 偏差分析 (第 4.4 节)
• adjusted response: 调整后的响应变量 (第 4.4 节)
• automatic kernel carpentry: 自动核作品 (第 6.1 节)
• aorta: 大动脉 (第 6.4 节)
• autoregressive: 自回归 (第 6.5 节)
• average squared bias: 偏差平方的平均 (第 7.3 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)
• aggregated data: 聚合数据 (第 10.14 节)
• abundance: 多度 (第 10.14 节)
• additive expansions: 加性展开 (第 10.2 节)
• ad-hoc: 特定 (第 13.2 节)
• adequacy: 充分性 (第 14.1 节)
• Association rule analysis: 关联规则分析 (第 14.2 节)
• a collection of objects: 点集 (第 14.3 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: 偏差 (第 2.3 节)
• Bayes classifier: 贝叶斯分类 (第 2.4 节)
• Bayes rate: 贝叶斯阶 (第 2.4 节)
• bias-variance decomposition: 偏差-方差分解 (第 2.5 节)
• backward-stepwise selection: 向后逐步选择 (第 3.3 节)
• between-class: 组间 (第 4.3 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)
• Bayes factor: 贝叶斯因子 (第 7.7 节)
• BIC: 贝叶斯信息准则 (第 7.7 节)
• burn-in: 老化 (第 8.6 节)
• bag: 打包 (第 8.7 节)
• bootstrap: 自助法 (第 8.7 节)
• Bootstrap aggregation: 自助法整合 (第 8.7 节)
• Bay Area: 海湾地区 (第 10.14 节)
• black box: 黑箱方法 (第 10.7 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)
• bump hunting: 碰撞狩猎 (第 14.2 节)
• branch-and-bound combinatorial method: 分枝定界组合算法 (第 14.3 节)
• blind source separation: 盲信号分离 (第 14.7 节)
• Bayesian networks: 贝叶斯网络 (第 17.1 节)
• Boltzmann machines: 玻尔兹曼机 (第 17.4 节)

C

• categories: 类别型 (第 2.2 节)
• classification: 分类 (第 2.2 节, 第 13.1 节)
• curse of dimensionality: 维度的诅咒 (第 2.5 节)
• cross-entropy: 交叉熵 (第 2.6 节, 第 9.2 节)
• closed: 闭型 (第 2.6 节)
• cubic smoothing spline: 三次光滑样条 (第 2.8 节)
• complexity: 复杂性 (第 2.9 节)
• computer era: 计算机时代 (第 3.1 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)
• cut-point: 分隔点 (第 4.1 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)
• concave: 凹的 (第 4.4 节)
• cases: 案例集 (第 4.4 节)
• compact kernel: 紧核 (第 6.1 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)
• 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)
• Complete linkage, CL: 全链接 (第 14.3 节)
• codebook: 码本 (第 14.3 节)
• cluster analysis: 聚类分析 (第 14.3 节)
• cophenetic correlation coefficient: 共表型相关系数 (第 14.3 节)
• combinatorial algorithms: 组合算法 (第 14.3 节)
• constrained topological map: 约束拓扑图 (第 14.4 节)
• corpus callosum: 胼胝体 (第 14.5 节)
• convex hull: 凸包 (第 14.6 节)
• correlated: 相关的 (第 14.7 节)
• classical scaling: 经典缩放 (第 14.8 节)
• coordinate descent: 坐标下降 (第 14.9 节)
• clique potentials: 团势 (第 17.2 节)
• complete graph: 完全图 (第 17.2 节)
• clique: 团 (第 17.2 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)
• CD: 对比发散 (第 17.4 节)
• contrastive divergence: 对比发散 (第 17.4 节)
• cyclical coordinate descent: 循环坐标下降 (第 17.4 节)
• cyclical coordinate descent: 坐标轮换 (第 18.4 节)

D

• dependent variables: 因变量 (第 2.1 节)
• dummy variables: 虚拟变量 (第 2.2 节, 第 14.2 节)
• discrete: 离散 (第 2.2 节)
• dictionary: 字典 (第 2.8 节)
• diamond: 菱形 (第 3.4 节)
• discriminant functions: 判别函数 (第 4.1 节)
• decision boundaries: 线性判别边界 (第 4.1 节)
• discriminant coordinates: 判别坐标 (第 4.3 节)
• discriminant variable: 判别变量 (第 4.3 节)
• discriminant: 判别 (第 4.3 节)
• down-weighted: 低估 (第 4.4 节)
• driven: 驱动 (第 5.8 节)
• dilation: 伸缩 (第 5.9 节)
• dictionaries of basis functions: 基函数的字典集 (第 5.9 节)
• divided differences: 差商 (第 Appendix 节)
• deviance: 偏差 (第 7.2 节, 第 10.5 节)
• demographics: 人口统计数据 (第 10.14 节)
• deciles: 十分位数 (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)
• decoding: 解码 (第 14.3 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)
• degree: 度 (第 14.5 节)
• differential entropy: 相对熵 (第 14.7 节)
• dissimilarity: 不相似性 (第 14.8 节)
• de-correlated: 去相关性 (第 15.1 节)
• dense: 稠密 (第 16.2 节)
• directed graphical models: 有向图 (第 17.1 节)
• decomposable models: 可分解模型 (第 17.4 节)
• discriminant score: 判别得分 (第 18.2 节)
• diagonal-covariance: 对角协方差 (第 18.2 节)
• divided differences: 划分差异 (第 18.4 节)
• difference penalty: 差异惩罚 (第 18.4 节)
• double centered: 二次中心化 (第 18.5 节)

E

• effective: 有效 (第 2.3 节)
• equivalent kernel: 等价核 (第 2.7 节, 第 6.1 节)
• effect size: 有效大小 (第 3.2 节)
• effective degrees of freedom: 有效自由度 (第 3.4 节, 第 5.4 节)
• eigen decomposition: 特征值分解 (第 3.4 节)
• equivalent kernels: 等价核 (第 5.4 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)
• evaluation: 赋值 (第 6.0 节)
• extrapolation: 向外推断 (第 6.1 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)
• expected test error: 期望测试误差 (第 7.2 节)
• expected prediction error: 期望预测误差 (第 7.2 节)
• estimation bias: 估计偏差 (第 7.3 节)
• effective number of parameters: 有效参数个数 (第 7.4 节, 第 7.6 节)
• effective degrees-of-freedom: 有效自由度 (第 7.6 节)
• empirical Bayes: 经验贝叶斯 (第 9.2 节)
• experts: 专家 (第 9.5 节)
• early stopping: 早停 (第 10.12 节)
• empirical risk: 经验风险 (第 10.9 节)
• exterior point: 外点 (第 13.5 节)
• editing: 编辑 (第 13.5 节)
• effectiveness: 有效性 (第 14.1 节)
• encoding: 编码 (第 14.3 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)
• fancier: 更花哨的 (第 3.1 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)
• FFT: 快速傅里叶变换 (第 5.9 节)
• filling the valleys: 填充山谷 (第 6.1 节)
• forward stagewise: 向前逐步 (第 10.9 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 Analysis: 因子分析 (第 14.7 节)
• factor loadings: 因子载荷 (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)
• 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)
• GLSE: 广义最小二乘估计 (第 6.1 节)
• generalized linear models: 广义线性模型 (第 6.5 节)
• generalization error: 泛化误差 (第 7.2 节)
• Gini index: 基尼指数 (第 9.2 节)
• gating networks: 门控网络 (第 9.5 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)
• Graph: 图 (第 17.1 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)
• Gradient descent: 梯度下降 (第 17.4 节)
• gene expression arrays: 基因表达阵列 (第 18.2 节)

H

• homotopy: 同伦 (第 3.4 节)
• high variability: 高易变性 (第 3.4 节)
• hybrid approaches: 混合方法 (第 5.7 节)
• high scale: 尺度最高 (第 5.9 节)
• holes: 洞 (第 6.7 节)
• having no say: 不起作用 (第 6.7 节)
• HME: 混合层次专家 (第 9.0 节)
• hierarchical mixtures of experts, HME: 专家系统混合模型 (第 9.2 节)
• hierarchical mixtures of experts: 专家的分层混合 (第 9.5 节)
• HME: 专家的分层混合 (第 9.5 节)
• hard decision: 硬决定 (第 9.5 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)
• high variance: 高方差 (第 18.1 节)
• hard thresholding: 硬阈值 (第 18.2 节)
• hierarchical clustering: 系统聚类 (第 18.4 节)

I

• independent variables: 自变量 (第 2.1 节)
• inputs: 输入变量 (第 2.1 节)
• isotropic: 各向同性的 (第 2.7 节)
• irreducible: 不可约减的 (第 2.9 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)
• iteratively reweighted least squares: 加权迭代最小二乘 (第 4.4 节)
• induced norm: 导出范数 (第 5.8 节)
• isolated bumps: 独立凹凸块 (第 5.9 节)
• inverse wavelet transform: 逆小波变换 (第 5.9 节)
• iterative backfitting: 迭代向后拟合 (第 6.4 节)
• interval scale: 定距型 (第 7.2 节)
• in-sample: 样本内 (第 7.3 节, 第 7.4 节)
• instantaneous prefix code: 瞬时前缀码 (第 7.8 节)
• interactions: 交叉影响 (第 10.8 节)
• invariant metric: 不变度量 (第 13.3 节)
• invariance manifolds: 不变流形 (第 13.3 节)
• items set: 项目集 (第 14.2 节)
• iterative-proportional-scaling algorithm: 迭代比例缩放算法 (第 14.6 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)
• isotonic regression: 保序回归 (第 14.8 节)
• Isometric feature mapping, ISOMAP: 等距特征映射算法 (第 14.9 节)
• intrinsically low-dimensional nonlinear manifold: 固有低维非线性流形 (第 14.9 节)
• Importance Sampling: 重要度采样 (第 16.3 节)
• importance sampling: 重要性采样 (第 16.3 节)
• inference: 推断 (第 17.1 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)
• independent rule: 独立规则 (第 18.2 节)

J

• joint maximization: 联合最大化 (第 8.5 节)

K

• k-nearest-neighbor averaging: k-最近邻平均 (第 2.3 节)
• knots: 结点 (第 2.8 节)
• kernel function: 核函数 (第 2.8 节)
• kernel property: 核性质 (第 5.8 节)
• kernel reproducing property: 核再生性质 (第 5.8 节)
• kernel: 核 (第 6.0 节)
• knot: 结点 (第 9.4 节)
• kernel principal components: 核主成分 (第 14.5 节)

L

• large: 大 (第 2.2 节)
• loss function: 损失函数 (第 2.4 节)
• learning by example: 样本学习 (第 2.6 节)
• linear basis expansions: 线性基展开 (第 2.6 节)
• learning problem: 学习问题 (第 2 章文献笔记)
• least squares: 最小二乘 (第 3.2 节)
• Lagrangian form: 拉格朗日形式 (第 3.4 节)
• LAR: 最小角回归 (第 3.4 节)
• LDA: 线性判别分析 (第 4.3 节)
• linear basis expansion: 线性基展开式 (第 5.1 节)
• linear smoother: 线性光滑 (第 5.4 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)
• 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)
• logistic: 逻辑斯蒂回归 (第 6.5 节)
• local regression: 局部回归 (第 6.5 节)
• lag set: 滞后集 (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)
• line search: 线搜索 (第 10.10 节)
• log-odds: 对数几率 (第 10.13 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)
• left singular vectors: 左奇异向量 (第 14.5 节)
• loadings: 载荷 (第 14.5 节)
• loadings: 因子载荷 (第 14.7 节)
• least squares scaling: 最小二乘缩放 (第 14.8 节)
• Local linear embedding, LLE: 局部线性内嵌 (第 14.9 节)
• Local MDS: 局部多维缩放 (第 14.9 节)
• local multi-dimensional scaling, Local MDS: 局部多维缩放 (第 14.9 节)
• least angle regression: 最小角回归 (第 16.2 节)
• learning: 学习 (第 17.1 节)
• less fitting is better: 欠拟合更好 (第 18.1 节)
• LDA: 全线性判别分析 (第 18.2 节)

M

• medium: 中 (第 2.2 节)
• maximum likelihood estimation: 极大似然估计 (第 2.6 节)
• 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)
• model selection: 模型选择 (第 3.3 节)
• multinomial: 多项式分布 (第 4.4 节)
• marginal likelihood: 边缘似然 (第 4.4 节)
• margin: 边缘 (第 4.5 节)
• margin: 空白 (第 4.5 节)
• moving beyond linearity: 超线性 (第 5.1 节)
• mother wavelet: 母波 (第 5.9 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)
• model bias: 模型偏差 (第 7.3 节)
• MDL: 最小描述长度 (第 7.8 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)
• MARS: 多元自适应回归样条 (第 9.0 节)
• Multivariate Adaptive Regression Splines, MARS: 多变量自适应回归样条 (第 9.4 节)
• MAR: 随机缺失 (第 9.6 节)
• MCAR: 完全随机缺失 (第 9.6 节)
• multiple additive regression trees: 多重可加回归树 (第 10.10 节)
• meta-parameter: 元参数 (第 10.11 节)
• marginal average: 边缘平均 (第 10.13 节)
• median house values: 房子价值的中位数 (第 10.14 节)
• multinomial deviance: 多项偏差 (第 10.6 节)
• main effects: 主要影响 (第 10.8 节)
• modal class: 众数 (第 10.9 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)
• mixing proportions: 混合比例 (第 12.7 节)
• model-free: 不依赖具体模型的 (第 13.1 节)
• memory-based: 基于存储的 (第 13.3 节)
• manifold: 流形 (第 14.1 节)
• mode finding: 模式寻找 (第 14.2 节)
• mixture modeling: 混合模型 (第 14.3 节)
• mode seeking: 模式寻找 (第 14.3 节)
• missing values: 缺失值 (第 14.3 节)
• melanomas: 黑素瘤 (第 14.3 节)
• mid-sagittal cross-section: 矢状面横截面 (第 14.5 节)
• mutual information: 互信息量 (第 14.7 节)
• metric: 度量 (第 14.8 节)
• MDS, Multidimensional scaling: 多维缩放 (第 14.8 节)
• Markov networks: 马尔科夫网络 (第 17.1 节)
• Markov random fields: 马尔科夫随机域 (第 17.1 节)
• multiway tables of counts: 多路计数表 (第 17.4 节)
• multiple testing: 多重检验 (第 18.1 节, 第 18.7 节)
• margin tree: 边际树 (第 18.3 节)
• maximal margin classifier: 最大边界分类器 (第 18.3 节)
• maximal margin solution: 最大边缘解 (第 18.5 节)

N

• normal equations: 正规方程组 (第 2.3 节)
• normal vector: 法向量 (第 4.1 节)
• Naive Bayes: 朴素贝叶斯 (第 4.3 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)
• nonparametric bootstrap: 非参自助法 (第 8.2 节)
• noninformative prior: 无信息先验 (第 8.3 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)
• nonlinear approximating manifolds: 线性逼近流形 (第 14.5 节)
• negentropy: 负熵 (第 14.7 节)
• numerical quadrature: 数值积分 (第 16.3 节)
• nodes: 结点 (第 17.4 节)
• Newton updates: 牛顿更新 (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)
• ordinal scale: 定序型 (第 7.2 节)
• optimism: 乐观 (第 7.4 节)
• optimisim: 乐观 (第 7.9 节)
• Optimal scores: 最优得分 (第 12.5 节)
• over-complete: 过充分 (第 16.3 节)
• overfitting: 过拟合 (第 18.1 节)
• ova: 一对多方法 (第 18.3 节)
• ovo: 一对一方法 (第 18.3 节)

P

• PSA: 前列腺癌特定抗原水平 (第 1.1 节)
• predictors: 预测变量 (第 2.1 节)
• prior belief: 先验信仰 (第 2.8 节)
• precomputer age of statistics: 前计算机时期 (第 3.1 节)
• prediction accuracy: 精确性 (第 3.3 节)
• perceptron: 感知器 (第 4.1 节)
• pair of classes: 类别对 (第 4.3 节)
• parsimonious: 最简洁 (第 4.4 节)
• perceptrons: 感知器 (第 4.5 节)
• perceptron learning algorithm: 感知器学习算法 (第 4.5 节)
• piecewise-polynimials: 分段多项式 (第 5.1 节)
• pairwise variance: 逐点方差 (第 5.2 节)
• projection: 投影 (第 5.4 节)
• penalty matrix: 惩罚矩阵 (第 5.4 节)
• pyramidal schemes: 金字塔算法 (第 5.9 节)
• prototype: 原型 (第 6.7 节, 第 12.7 节, 第 14.2 节)
• parametric bootstrap: 参数自助法 (第 8.2 节)
• predictive distribution: 预测分布 (第 8.3 节)
• population linear regression: 总体线性回归 (第 8.8 节)
• PRIM: 耐心规则归纳法 (第 9.0 节, 第 9.3 节)
• primary split: 主要分割 (第 9.2 节)
• patience: 耐心 (第 9.3 节)
• peeled: 剔除 (第 9.3 节)
• pseudo residuals: 伪残差 (第 10.10 节)
• primitive: 原型 (第 10.11 节)
• purely additive: 纯可加的 (第 10.13 节)
• partial: 偏 (第 10.13 节)
• purely multiplicative: 纯可乘的 (第 10.13 节)
• partial dependence: 偏相依性 (第 10.13 节)
• Pacific coast: 太平洋沿岸 (第 10.14 节)
• predictive learning: 预测学习 (第 10.7 节)
• partial dependence plot: 偏相依图 (第 10.8 节)
• projection pursuit model: 投影寻踪模型 (第 11.1 节)
• PPR: 投影寻踪回归 (第 11.2 节)
• penalized discriminant analysis: 带惩罚的判别分析 (第 12.1 节, 第 12.4 节, 第 12.6 节)
• pattern classification: 模式识别 (第 13.1 节)
• prototype methods: 原型方法 (第 13.2 节)
• pooled: 合并的 (第 13.4 节)
• predictability: 可预测性 (第 14.2 节)
• PRIM: 耐心规则诱导法 (第 14.2 节)
• principal curves and surfaces: 主曲线和主曲面 (第 14.4 节)
• Principal points: 主点 (第 14.5 节)
• projection matrix: 投影矩阵 (第 14.5 节)
• proximity plot: 邻近图 (第 15.3 节)
• Percentage Squared Prediction Explained: 解释的方差的百分比 (第 16.2 节)
• Percentage Misclassification Error Explained: 解释的误分类率的百分比 (第 16.2 节)
• potential: 势 (第 17.1 节)
• partition: 分割 (第 17.2 节)
• path: 路径 (第 17.2 节)
• pairwise Markov properties: 逐对马尔科夫性质 (第 17.2 节)
• potential function: 势函数 (第 17.2 节)
• partition function: 分割函数 (第 17.2 节, 第 17.4 节)
• pairwise Markov graphs: 成对马尔科夫图 (第 17.2 节)
• pairwise Markov independencies: 逐对马尔科夫独立 (第 17.2 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)
• prior probability: 先验概率 (第 18.2 节)
• posterior mode: 后验的众数 (第 18.4 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

• qualitative: 定性的 (第 2.2 节)
• quantitative: 定量 (第 2.2 节, 第 7.2 节)
• quality: 质量 (第 7.1 节)
• query image: 查询图像 (第 13.3 节)

R

• responses: 响应变量 (第 2.1 节)
• regression: 回归 (第 2.2 节, 第 2.4 节)
• rate: 速率 (第 2.4 节)
• response surface: 响应曲面 (第 2.6 节)
• regularization: 正则 (第 2.8 节)
• Radial basis functions: 径向基函数 (第 2.8 节, 第 6.7 节)
• regression pursuit regression: 投射寻踪回归 (第 2.8 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)
• regression splines: 回归样条 (第 5.2 节)
• radial basis functions: 径向基函数 (第 5.7 节)
• reproducing kernel Hilbert space: 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)
• RKHS: 再生核希尔伯特空间 (第 5.8 节)
• reference: 参考 (第 5.9 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)
• relevance network: 相关网络 (第 17.3 节)
• RBM: 限制玻尔兹曼机 (第 17.4 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)
• renormalized: 重标准化 (第 18.4 节)
• radial kernel: 径向核 (第 18.5 节)

S

• supervised learning: 监督学习 (第 2.1 节, 第 14.1 节)
• small: 小 (第 2.2 节)
• simultaneously: 同时 (第 2.4 节)
• squared error loss: 平方误差损失 (第 2.4 节)
• smoothing: 光滑化 (第 2.8 节)
• smoothing: 光滑 (第 2.9 节)
• SVD: 奇异值分解 (第 3.4 节)
• subset selection: 子集选择 (第 3.4 节)
• stationary condition: 平稳条件 (第 3.4 节)
• shrinkage methods: 收缩方法 (第 3.4 节)
• scale invariant: 尺度不变 (第 3.5 节)
• smoothly clipped absolute deviation, SCAD: 平稳削减绝对偏差法 (第 3.8 节)
• simple coordinate descent: 简单坐标下降 (第 3.8 节)
• self-consistency: 自一致性 (第 4.4 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)
• support points: 支撑点 (第 4.5 节)
• stochastic gradient descent: 随机梯度下降 (第 4.5 节)
• separating hyperplane classifiers: 分离超平面分类器 (第 4.5 节)
• splines: 样条 (第 5.1 节)
• shrinking: 收缩 (第 5.4 节)
• smoothing parameter: 光滑参数 (第 5.4 节)
• smoother matrix: 光滑矩阵 (第 5.4 节)
• spurious: 假的 (第 5.7 节)
• sparse: 稀疏 (第 5.9 节, 第 16.2 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)
• state-of-the-art: 最先进的 (第 6 章文献笔记)
• sample standard deviation: 样本标准偏差 (第 7.10 节)
• standard error: 标准误差 (第 7.10 节)
• SRM, structural risk minimization: 结构风险最小化 (第 7.9 节)
• score function: 得分函数 (第 8.2 节)
• Stacked generalization: 堆栈泛化 (第 8.8 节)
• sensitivity: 敏感度 (第 9.2 节)
• specificity: 特异度 (第 9.2 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)
• step length: 步长 (第 10.10 节)
• steepest descent: 最速下降 (第 10.10 节)
• squared relative importance: 平方相对重要度 (第 10.13 节)
• salinity: 盐度 (第 10.14 节)
• scaled classification tree: 缩放分类树 (第 10.9 节)
• single index model: 单指标模型 (第 11.2 节)
• stochastic approximation: 随机近似 (第 11.4 节)
• statistics folklore: 统计民俗学 (第 14.2 节)
• support: 支撑集 (第 14.2 节)
• Single linkage, SL: 单链接 (第 14.3 节)
• similarities: 相似性 (第 14.3 节)
• self-organizing maps: 自组织图 (第 14.5 节)
• stress function: 压力函数 (第 14.8 节)
• separate: 分离 (第 17.2 节)
• subgraph: 子图 (第 17.2 节)
• sub-gradient: 次梯度 (第 17.3 节)
• scientific contextual knowledge: 科学的语境知识 (第 18.1 节)
• soft thresholding: 软阈值 (第 18.2 节)

T

• training data: 训练数据 (第 2.2 节)
• targets: 指标 (第 2.2 节)
• teacher: 老师 (第 2.6 节)
• training: 训练集 (第 2.6 节)
• training error: 训练误差 (第 2.9 节)
• test: 测试 (第 2.9 节)
• training cases: 训练样本 (第 3.1 节)
• target: 目标值 (第 4.2 节)
• truncated-power: 截断幂 (第 5.2 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)
• 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)
• tie: 结 (第 6.1 节)
• trimming the hills: 截断山坡 (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)
• Training error: 训练误差 (第 7.2 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)
• test error: 测试误差 (第 7.2 节)
• trees: 树 (第 9.0 节)
• Tree-based: 基于树 (第 9.2 节)
• The first surrogate: 第一代理 (第 9.2 节)
• target function: 目标函数 (第 10.11 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)
• 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)
• 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

• univariate: 单变量 (第 2.4 节)
• underfit: 欠拟合 (第 2.9 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)
• unsupervised learning: 非监督学习 (第 14.1 节)
• under-represented: 代表人数不足 (第 14.2 节)
• ultrametric inequality: 超度量不等式 (第 14.3 节)
• uncorrected: 不相关的 (第 14.7 节)
• undirected graph: 无向图 (第 17.1 节)
• units: 单元 (第 17.4 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: 可变系数模型 (第 6.4 节)
• varying coefficient models: 可变参数模型 (第 6.5 节)
• values: 值 (第 14.2 节)
• vector quantization: 向量量化 (第 14.3 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)
• working response: 工作响应变量 (第 5.6 节)
• wavelet transform: 小波变换 (第 5.9 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)
• weights: 权重 (第 11.4 节)
• weight elimination: 权重消去 (第 11.5 节)
• warping: 变换 (第 18.4 节)