百科

激活函数是在神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。

全局优化是应用数学和数值分析的一个分支，其试图在给定集合上找到函数的最小值或最大值，它通常被描述为最小化问题，因为实值函数的最大化可依据最小化方式类推得到。 全局优化与局部优化的区别在于，前者专注于在给定集合上找到极值， […]

前馈神经网络是相对简单的人工神经网络，其内部参数从输入层向输出层单向传播，不同于递归神经网络，它的内部不会构成有向环。 前馈 Feedforward 也称为前向，从信号流的角度来看就是输入信号进入网络后，信号流动是单向的 […]

抽样 是一种常用的推论统计方法，它是指从目标总体（Population ，或称为母体）中抽取一部分个体作为样本（Sample），通过观察样本的某一或某些属性，依据所获得的数据对总体的数量特征得出具有一定可靠性的估计判断，从而达到对总体的认识。

情绪分析是自然语言处理的一种常用方法，其基于文本的词汇分析，判断包含的具体情绪等标记。 情绪分析与情感分析具有相似之处，但是情绪分析包含更多种类的情绪信息，加拿大国家研究委员会官方发布的情绪词典包含以下 8 种情绪： 愤 […]

频率学派认为世界是确定的，存在一个真值不变的本体，频率学派的目标是找到真值或其所在范围。频率学派观点在于，随机事件背后必有某种深层的产生机制，虽然事件本身是随机的，但这个机制却是确定的。 不同于频率学派的是贝叶斯学派，前 […]

训练误差是在在数据训练中出现的误差。是模型关于训练数据的平均损失。

最大期望是在概率模型中寻找参数最大似然估计、最大后验估计的算法，其中概率模型基于无法观测因变量。 最大期望算法通常用于机器学习、计算机视觉的数据聚类领域，其经过两个步骤的交替计算： 计算期望 E：利用对隐藏变量的现有估计 […]

过拟合是机器学习中的一种现象。指把样本中一些并不需要拿来作为分类的属性学习了的情况，此时学习的决策树模型并不是最优的模型，而且会会导致泛化性能下降。

期望损失是对全体样本的预测能力，是全局概念的一种；经验风险是局部概念，仅表示决策函数对训练数据集中样本的预测能力。 经验风险和期望风险 经验风险是局部的，基于训练集所有样本点损失函数最小化，经验风险局部最优，现实可求； […]

朴素贝叶斯分类器 ( NBC )，是依据朴素贝叶斯进行分类的一种条件概率分类器。

朴素贝叶斯 是指仅依据每个类别出现的概率进行预测分类，是基于概率理论的一种分类算法。该算法依据于贝叶斯公式。

配对 t 检验是常用的一种 t 检验。它是指对同一个总体，在不同的条件下获取两组样本进行分析，以评价不同条件是否有显著影响。不同条件可以指不同存放环境、不同的测量系统等。

欠拟合 是指在模型对训练数据拟合度差的情形。通常用在模型学习和泛化能力的评估上。

定义 分类器是在已有数据基础上构造出一个分类模型，该模型能够把数据库中的数据记录映射到给定类别中的某一个，从而应用于数据预测。 分类器的构造和实施 分类器的构造和实施大体会经过以下几个步骤： 选定样本（包含正样本和负样本 […]

权重是一个相对的概念，是针对某一指标而言。某一指标的权重是指该指标在整体评价中的相对重要程度。

欠采样 是抛弃一些样本来缓解类不平衡的方法。即对训练集里面样本数量较多的类别（多数类）进行适当的少采样。

软间隔是用来处理线性不可分问题及减少噪点影响的一种方法。软间隔是允许分类时存在一些错误点的做法。

径向基函数（RBF）是沿径向对称的标量函数。通常定义为空间中任一点 X 到某一中心 X_c 之间距离的单调函数。可记作 K ( || X – X _c || ), 其作用往往是局部的 , 即当 X 远离 X_c 时函数取值很小。

量子计算是基于量子效应的新型计算方式，基本原理是以量子位作为信息编码和存储单元，通过大量量子位的受控演化来完成计算任务。 量子计算和传统计算的对比 (1) 信息表达 传统计算中，计算机运行的单位是取值为 0 或 1 的比 […]

量子计算机是一种使用量子逻辑进行通用计算的设备。是量子计算的具体实现形式

量子神经网络（QNN）是由若干个量子神经元按一定的拓扑结构构成的网络。

鲁棒性是指一个计算机系统在执行过程中处理错误，以及算法在遭遇输入、运算等异常时继续正常运行的能力。

监督学习是输出与输入存在联系的一种机器学习方法。可以由训练资料中学到或建立一个模式，并依此模式推测新的实例。