参考书版本为2017年11月第20次印刷, 在这之后的印刷版本有可能进行过修订, 愿本书越来越完善.
-
$P_{162}$ 高斯混合模型的英文表示: Gaussian misture model$\rightarrow$ Gaussian mixture model -
$P_{201}$ 对数线形模型$\rightarrow$对数线性模型 -
$P_{173}$ 观测序列$O={红, 红, 白, 白, 红}$, 序列表示应该是$O=(红, 红, 白, 白, 红)$ -
$P_{197}$ 条件随机场(11.11)~(11.12)， 应该是条件随机场(11.10)~(11.11)， 这两个是线性链条件随机场模型的基本形式 -
$P_{198}$ 公式(11.24)这个公式里面连乘用了行内形式，认为应该是行间形式，不算是错误了，书写上的一些问题。 -
$P_{200}$ 公式(11.30)中$M_i$应为$M_{i+1}$ 整体公式为$\beta_i(y_i|x)=[M_{i+1}(y_i,y_{i+1}|x)]\beta_{i+1}(y_{i+1}|x),i=1,2,\dots,n+1$ -
$P_{124}$ 中$b^*,f(x)$中的核函数表达式应该是$K(x_i,x_j)$以及$K(x,x_i)$ -
$P_{34}$ 算法2.2在模型输出以及步骤(3)中混用了$\sum_{j=1}^N$行间表达方式 -
$P_{75}$ 参考文献3这本书作者少写了一个Olshen -
$P_{75}$ 参考文献7，ESL这本神书，在本书中的引文形式通常是有中译本说明的那种形式，应该统一一下。 -
$P_{53}$ 参考文献1，书中引用的是2005年的Draft，原链接更新了2017年的手稿，这部分内容变成了Chapter 3 -
$P_{47}$ 最后一段参数个数$K\prod_{j=1}^nS_j$书中混用了行间表达形式和行内表达形式 -
$P_{154}$ 参考文献9，这个文章是2002年的文献，书中记录为2004，这文章也不错 -
$P_{164}$ 公式9.29,第二个求和应该是对$j$求和,从取值范围到$N$应该也可以看出$\sum_{j=1}^N\hat\gamma_{jk}$ -
$P_{169}$ d维的形式应该是$j=3,4,\dots,d$而不是$j=3,4,\dots,k$ -
$P_{181}$ 由于监督学习需要使用训练数据这个应该是需要使用标注的训练数据. -
$P_{230}$ 海赛矩阵 Hesse matrix, 应该是 Hessian Matrix -
$P_{156}$ 观测数据表示为$Y=(Y_1, Y_2, Y_3, \dots, Y_n)^T$, 未观测数据表示为$Z=(Z_1,Z_2, Z_3,\dots, Z_n)^T$, 则观测数据的似然函数为其实觉得这里应该是小写的$y=(y_1,y_2,\dots,y_n), z=(z_1, z_2, \dots,z_n)$
-
$P_{219}$ Hesse matrix -> Hessian Matrix -
$P_{80}$ 公式6.7， 关于多项逻辑斯谛回归模型中的求和部分下角标如果换成$i$，觉得更好理解一点 $$ \begin{aligned} P(Y=k|x)&=\frac{\exp(w_k\cdot x)}{1+\sum_{j=1}^{K-1}\exp(w_j\cdot x)}, k=1,2,\dots,K-1\ P(Y=k|x)&=\frac{1}{1+\sum_{j=1}^{K-1}\exp(w_j\cdot x)}\ \end{aligned} $$ -
$P_{153} , P_{146}$ 提升树是以分类树或回归树为基本分类器的提升方法这里面基本分类器应该是基函数，分类问题对应分类树， 回归问题对应回归树。 -
$P_{140}$ 例题来源于http://www.csie.edu.tw， 这个大概应该是http://www.csie.ntu.edu.tw。 但是也没找到对应的例子页面。 -
$P_{148}$ 在提升树这个地方， 最后得到的提升树是$f_M(x)$， 前面介绍加法模型的时候， 得到的是$f(x)$实际上是一样的意思， 但是两个地方的表达不太一样。这个， 其实不算吧。。