百科

独依赖估计（ODE）独依赖估计是半朴素贝叶斯分类器最常用的一种策略。所谓独依赖，就是假设每个属性在类别之外最多仅依赖一个其他属性。

多项式核函数指以多项式形式表示的核函数。它是一种非标准核函数，适合于正交归一化后的数据，其具体形式见图。

多释原则是主张保留与经验观察一致的所有假设的一种思想。

超平面分割是指如果两个不相交的凸集都是开放的，则存在超平面，可将它们分割开。

分层抽样是一种先分层再抽取的抽样方法。是统计学中常用的抽取样本的方法。

符号学习是指从功能上模拟人类学习能力的机器学习方法。

符号主义人工智能领域坚信数理逻辑的一个流派。

单位阶跃函数又称赫维赛德阶跃函数，定义如下： 其图像如下： 相关词：激冲函数，

冯·诺伊曼架构是一种将程序指令存储器和数据存储器合并在一起的计算机设计概念结构。

二次学习是指在一次学习情况不理想的情况下的重复学习。

非均等代价是指赋予每个类别造成的损失代价不同的情况。

非饱和博弈是受到启发式方法的启发， 而不是基于理论的分析。

对抗网络是生成对抗网络的一种实现，用于针对指定的神经网络模型，批量生成对抗样本。

对抗样本是指，在神经网络中导致网络输出不正确的输入。 在数据集中通过故意添加细微的干扰所形成输入样本，受干扰之后的输入导致模型以高置信度给出错误的输出，所输入的样本即是对抗样本，这种行为通常被视作对神经网络模型的对抗攻击 […]

仿射层是神经网络中的全连接层，其中仿射的可以看做是不同层神经元之间的相互连接，在许多方面可以被看作是神经网络的「标准」层。 仿射层的一般形式如下 y = f( wx + b) 注：x 是层输入，w 是参数，b 是一个偏差 […]

度量学习也可以认为是相似度。度量学习是为了衡量样本之间的相近程度，这是模式识别的核心问题之一。 度量学习的目标是为了，使同类样本之间的距离尽可能缩小，不同类样本之间的距离尽可能扩大。

多分类有时也称多元分类，是指在分类任务中不止两种类别的归类。 现有的多类分类技术可以分为（i）转换为二进制（ii）从二进制扩展和（iii）分层分类。 常见策略 1）one-vs.-all 策略需要为每一个类建立一个唯一的 […]

多层感知机 (Multilayer Perceptron，MLP) 是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。 可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个 […]

模态是指人接受信息的特定方式。由于多媒体数据往往是多种信息的传递媒介（例如一段视频中往往会同时使得文字信息、视觉信息和听觉信息得到传播），多模态学习已逐渐发展为多媒体内容分析与理解的主要手段. 多模态学习主要包括以下几个 […]

泛化误差上界是指泛化误差允许的最大值，超过这个上界就会影响机器学习的可行性。 泛化误差是指由训练集泛化至训练集外的过程中产生的误差。一般用训练集外的误差，也即整个输入空间上的误差期望减去训练误差得到。 因为误差上界具有广 […]

多维缩放（MDS）是一组对象之间的距离的可视化表示，也可以当做一种无监督降维算法使用。它是一种降维方法，可以缓解在高维情况下出现的样本数据稀疏和距离计算困难等。 是一种线性降维方式，与主成分分析法和线性降维分析法都不同的 […]

多元线性回归是针对多个变量做的线性回归。 多元线性回归方法和一元回归类似，只不过自变量多了，参数也多了。 多元回归常用函数 变量间线性相关系数 cor(dataframe) 散点图矩阵 scatterplotMatrix […]

奥卡姆剃刀是指若有多个假设与观察一致，则选最简单的那个。奥卡姆剃刀常被作为启发法技巧来使用，是帮助人们发展理论模型的工具，不能作为判断理论的依据。

包外估计是指用于测试的样本没在训练集中出现的测试结果。