GtG_t | 《Markov 决策过程》“回报把未来奖励折算到当前”中 G 的下标 t 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。 | 无别名易混淆：Gt、Gt | A10 · Markov 决策过程与 Bellman 方程 · 共 4 处- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 1
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 2
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 3
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 4
|
GtG_t | 《强化学习综合复习》“MDP 合同先固定时间与终止”中 G 的下标 t 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。 | 无别名易混淆：Gt、Gt | A10 · 稳定性、评估与强化学习综合复习 · 共 2 处- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 1
- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 2
|
γgamma | 《动态规划与时序差分》“Monte Carlo 用完整回报作目标”中记作 gamma 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 gamma 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：γ、γ、γ、γ、γ、γ、γ、γ、γ | A10 · 动态规划、Monte Carlo 与时序差分 · 共 12 处- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 1
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 2
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 3
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 4
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 5
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 6
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 7
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 8
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 9
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 10
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 11
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 12
|
γgamma | 《Markov 决策过程》“回报把未来奖励折算到当前”中记作 gamma 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 gamma 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：γ、γ、γ、γ、γ、γ、γ、γ、γ | A10 · Markov 决策过程与 Bellman 方程 · 共 9 处- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 1
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 2
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 3
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 4
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 5
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 6
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 7
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 8
- A10 · Markov 决策过程与 Bellman 方程 · 正文位置 9
|
γgamma | 《强化学习综合复习》“MDP 合同先固定时间与终止”中记作 gamma 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 gamma 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：γ、γ、γ、γ、γ、γ、γ、γ、γ | A10 · 稳定性、评估与强化学习综合复习 · 共 7 处- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 1
- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 2
- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 3
- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 4
- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 5
- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 6
- A10 · 稳定性、评估与强化学习综合复习 · 正文位置 7
|
hh | 《精确概率推断》“推断查询先写成未归一权重”中记作 h 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 h 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：h、h、h、h、h、h、h、h、h、h、h、h、h | A03 · 变量消元、消息传递与精确推断 · 共 2 处- A03 · 变量消元、消息传递与精确推断 · 正文位置 1
- A03 · 变量消元、消息传递与精确推断 · 正文位置 2
|
h2h_2 | 《最优化与信息论综合复习》“练习”中 h 的下标 2 分量或状态量 | 机器学习 · 最优化 | 不适用；下标 2 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | M11 · 最优化与信息论综合复习 |
hjh_j | 《约束优化与对偶》“拉格朗日函数与对偶函数”中 h 的下标 j 分量或状态量 | 机器学习 · 最优化 | 不适用；下标 j 的取值范围以该公式邻近定义和求和范围为准。 | 无别名易混淆：hj、hj、hj、hj | M11 · 约束优化、KKT 条件与对偶性 · 共 6 处- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 1
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 2
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 3
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 4
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 5
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 6
|
hjh_j | 《优化模型与最优性》“优化模型与可行域”中 h 的下标 j 分量或状态量 | 机器学习 · 最优化 | 不适用；下标 j 的取值范围以该公式邻近定义和求和范围为准。 | 无别名易混淆：hj、hj、hj、hj | M11 · 优化模型、可行域与最优性 · 共 2 处- M11 · 优化模型、可行域与最优性 · 正文位置 1
- M11 · 优化模型、可行域与最优性 · 正文位置 2
|
HkH_k | 《风险、容量与收敛》“结构风险最小化同时支付拟合与容量”中 H 的下标 k 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 k 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | A01 · 经验风险、容量与一致收敛 |
hmh_m | 《AdaBoost 与梯度提升》“提升法逐步扩充一个加法模型”中 h 的下标 m 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 m 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | A02 · AdaBoost、梯度提升与残差拟合 · 共 3 处- A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 1
- A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 2
- A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 3
|
hwbh_wb | 《线性回归》“从连续预测开始”中 h 的下标 wb 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 wb 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | A01 · 线性回归、最小二乘与正规方程 · 共 2 处- A01 · 线性回归、最小二乘与正规方程 · 正文位置 1
- A01 · 线性回归、最小二乘与正规方程 · 正文位置 2
|
ii | 《损失函数》“经验风险”中记作 i 的等号左侧的目标量 | 机器学习 · 最优化 | 由上下文确定；符号 i 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i | A00 · 损失函数、风险与评估 · 共 5 处- A00 · 损失函数、风险与评估 · 正文位置 1
- A00 · 损失函数、风险与评估 · 正文位置 2
- A00 · 损失函数、风险与评估 · 正文位置 3
- A00 · 损失函数、风险与评估 · 正文位置 4
- A00 · 损失函数、风险与评估 · 正文位置 5
|
ii | 《线性学习综合复习》“Logistic 回归学习条件概率”中记作 i 的等号左侧的目标量 | 机器学习 · 最优化 | 由上下文确定；符号 i 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i | A01 · 线性模型与统计学习综合复习 · 共 2 处- A01 · 线性模型与统计学习综合复习 · 正文位置 1
- A01 · 线性模型与统计学习综合复习 · 正文位置 2
|
ii | 《正则化》“有效正则化强度”中记作 i 的等号左侧的目标量 | 机器学习 · 最优化 | 由上下文确定；符号 i 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i | A01 · 正则化、偏差与方差 |
ii | 《聚类方法》“K 均值的目标与 Lloyd 交替优化”中记作 i 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 i 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i | A03 · 聚类目标、K 均值与密度方法 |
ii | 《无监督与图模型综合》“图结构回答条件独立与概率查询”中记作 i 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 i 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i | A03 · 无监督学习与概率图模型综合复习 |
ii | 《约束优化与对偶》“拉格朗日函数与对偶函数”中记作 i 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 不适用；符号 i 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i、i | M11 · 约束优化、KKT 条件与对偶性 · 共 4 处- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 1
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 2
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 3
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 4
|
II_ | 《决策树与剪枝》“分类不纯度衡量标签混合”中记作 I_ 的等号左侧的目标量 | 机器学习 · 最优化 | 由上下文确定；符号 I_ 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名 | A02 · 决策树、划分准则与剪枝 |
jj | 《约束优化与对偶》“拉格朗日函数与对偶函数”中记作 j 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 不适用；符号 j 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：j、j、j、j、j、j、j、j、j、j | M11 · 约束优化、KKT 条件与对偶性 · 共 3 处- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 1
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 2
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 3
|
JJ | 《聚类方法》“K 均值的目标与 Lloyd 交替优化”中记作 J 的等号左侧的目标量 | 机器学习 · 最优化 | 由上下文确定；符号 J 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：J、J | A03 · 聚类目标、K 均值与密度方法 · 共 2 处- A03 · 聚类目标、K 均值与密度方法 · 正文位置 1
- A03 · 聚类目标、K 均值与密度方法 · 正文位置 2
|
kk | 优化算法的迭代编号 | 机器学习 · 最优化 | 由上下文确定；该含义限定于《风险、容量与收敛》“结构风险最小化同时支付拟合与容量”及其相邻推导。 | 无别名易混淆：k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k | A01 · 经验风险、容量与一致收敛 |
kk | 优化算法的迭代编号 | 机器学习 · 最优化 | 由上下文确定；该含义限定于《决策树与剪枝》“分类不纯度衡量标签混合”及其相邻推导。 | 无别名易混淆：k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k | A02 · 决策树、划分准则与剪枝 |
kk | 优化算法的迭代编号 | 机器学习 · 最优化 | 由上下文确定；该含义限定于《特征映射与核》“Gram 矩阵与正半定条件”及其相邻推导。 | 无别名易混淆：k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k | A02 · 特征映射、正定核与再生核空间 · 共 8 处- A02 · 特征映射、正定核与再生核空间 · 正文位置 1
- A02 · 特征映射、正定核与再生核空间 · 正文位置 2
- A02 · 特征映射、正定核与再生核空间 · 正文位置 3
- A02 · 特征映射、正定核与再生核空间 · 正文位置 4
- A02 · 特征映射、正定核与再生核空间 · 正文位置 5
- A02 · 特征映射、正定核与再生核空间 · 正文位置 6
- A02 · 特征映射、正定核与再生核空间 · 正文位置 7
- A02 · 特征映射、正定核与再生核空间 · 正文位置 8
|
kk | 优化算法的迭代编号 | 机器学习 · 最优化 | 由上下文确定；该含义限定于《动态规划与时序差分》“Monte Carlo 用完整回报作目标”及其相邻推导。 | 无别名易混淆：k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k | A10 · 动态规划、Monte Carlo 与时序差分 · 共 2 处- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 1
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 2
|
kk | 优化算法的迭代编号 | 机器学习 · 最优化 | 由上下文确定；该含义限定于《Markov 决策过程》“回报把未来奖励折算到当前”及其相邻推导。 | 无别名易混淆：k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k | A10 · Markov 决策过程与 Bellman 方程 |
kk | 优化算法的迭代编号 | 机器学习 · 最优化 | 由上下文确定；该含义限定于《强化学习综合复习》“MDP 合同先固定时间与终止”及其相邻推导。 | 无别名易混淆：k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k | A10 · 稳定性、评估与强化学习综合复习 |
kk | 优化算法的迭代编号 | 机器学习 · 最优化 | 不适用；该含义限定于《梯度下降》“梯度下降更新”及其相邻推导。 | 无别名易混淆：k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k、k | M11 · 一阶优化与梯度下降 · 共 4 处- M11 · 一阶优化与梯度下降 · 正文位置 1
- M11 · 一阶优化与梯度下降 · 正文位置 2
- M11 · 一阶优化与梯度下降 · 正文位置 3
- M11 · 一阶优化与梯度下降 · 正文位置 4
|
k1k_1 | 《特征映射与核》“Gram 矩阵与正半定条件”中 k 的下标 1 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 1 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | A02 · 特征映射、正定核与再生核空间 |
k2k_2 | 《特征映射与核》“Gram 矩阵与正半定条件”中 k 的下标 2 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 2 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | A02 · 特征映射、正定核与再生核空间 |
kalphakkalpha_k | 《Q-learning》“表格收敛结论附带一组条件”中 kalpha 的下标 k 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 k 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | A10 · Q-learning、探索与函数逼近 |
kRt+k+1kR_t+k+1 | 《动态规划与时序差分》“Monte Carlo 用完整回报作目标”中 kR 的下标 t+k+1 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 t+k+1 的取值范围以该公式邻近定义和求和范围为准。 | 无别名易混淆：kRt+k+1、kRt+k+1 | A10 · 动态规划、Monte Carlo 与时序差分 · 共 2 处- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 1
- A10 · 动态规划、Monte Carlo 与时序差分 · 正文位置 2
|
kRt+k+1kR_t+k+1 | 《Markov 决策过程》“回报把未来奖励折算到当前”中 kR 的下标 t+k+1 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 t+k+1 的取值范围以该公式邻近定义和求和范围为准。 | 无别名易混淆：kRt+k+1、kRt+k+1 | A10 · Markov 决策过程与 Bellman 方程 |
kRt+k+1kR_t+k+1 | 《强化学习综合复习》“MDP 合同先固定时间与终止”中 kR 的下标 t+k+1 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 t+k+1 的取值范围以该公式邻近定义和求和范围为准。 | 无别名易混淆：kRt+k+1、kRt+k+1 | A10 · 稳定性、评估与强化学习综合复习 |
LL | 训练或优化目标的损失函数 | 机器学习 · 最优化 | 由上下文确定；该含义限定于《线性学习综合复习》“Logistic 回归学习条件概率”及其相邻推导。 | 无别名易混淆：L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L | A01 · 线性模型与统计学习综合复习 · 共 3 处- A01 · 线性模型与统计学习综合复习 · 正文位置 1
- A01 · 线性模型与统计学习综合复习 · 正文位置 2
- A01 · 线性模型与统计学习综合复习 · 正文位置 3
|
LL | 待最小化的损失函数 | 机器学习 · 最优化 | 由上下文确定 | 无别名易混淆：L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L | M11 · 一阶优化与梯度下降 · 共 39 处- M11 · 一阶优化与梯度下降 · 正文位置 1
- A02 · 决策树、划分准则与剪枝 · 正文位置 2
- A02 · 决策树、划分准则与剪枝 · 正文位置 3
- A03 · EM 算法与变分推断 · 正文位置 4
- A03 · EM 算法与变分推断 · 正文位置 5
- A03 · EM 算法与变分推断 · 正文位置 6
- A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 7
- A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 8
- A01 · 线性模型与统计学习综合复习 · 正文位置 9
- A01 · 线性模型与统计学习综合复习 · 正文位置 10
- A01 · 线性模型与统计学习综合复习 · 正文位置 11
- A01 · 线性回归、最小二乘与正规方程 · 正文位置 12
- A01 · 线性回归、最小二乘与正规方程 · 正文位置 13
- A01 · Logistic 回归与概率分类 · 正文位置 14
- A00 · 损失函数、风险与评估 · 正文位置 15
- A10 · Q-learning、探索与函数逼近 · 正文位置 16
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 17
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 18
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 19
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 20
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 21
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 22
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 23
- M11 · 一阶优化与梯度下降 · 正文位置 24
- M11 · 一阶优化与梯度下降 · 正文位置 25
- M11 · 一阶优化与梯度下降 · 正文位置 26
- M11 · 一阶优化与梯度下降 · 正文位置 27
- M11 · 一阶优化与梯度下降 · 正文位置 28
- M11 · 一阶优化与梯度下降 · 正文位置 29
- M11 · 一阶优化与梯度下降 · 正文位置 30
- M11 · 一阶优化与梯度下降 · 正文位置 31
- M11 · 一阶优化与梯度下降 · 正文位置 32
- M11 · 一阶优化与梯度下降 · 正文位置 33
- M11 · 一阶优化与梯度下降 · 正文位置 34
- M11 · 一阶优化与梯度下降 · 正文位置 35
- M11 · 最优化与信息论综合复习 · 正文位置 36
- M11 · 最优化与信息论综合复习 · 正文位置 37
- M11 · 最优化与信息论综合复习 · 正文位置 38
- M11 · 最优化与信息论综合复习 · 正文位置 39
|
LL | 训练或优化目标的损失函数 | 机器学习 · 最优化 | 不适用；该含义限定于《约束优化与对偶》“拉格朗日函数与对偶函数”及其相邻推导。 | 无别名易混淆：L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L、L | M11 · 约束优化、KKT 条件与对偶性 · 共 7 处- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 1
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 2
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 3
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 4
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 5
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 6
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 7
|
λlambda | 《约束优化与对偶》“拉格朗日函数与对偶函数”中记作 lambda 的等号左侧的目标量 | 机器学习 · 最优化 | 不适用；符号 lambda 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：λ、λ、λ | M11 · 约束优化、KKT 条件与对偶性 · 共 9 处- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 1
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 2
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 3
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 4
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 5
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 6
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 7
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 8
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 9
|
mm | 《AdaBoost 与梯度提升》“提升法逐步扩充一个加法模型”中记作 m 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 m 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：m、m、m、m、m、m、m、m、m、m、m、m、m | A02 · AdaBoost、梯度提升与残差拟合 · 共 3 处- A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 1
- A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 2
- A02 · AdaBoost、梯度提升与残差拟合 · 正文位置 3
|
MM | 《AdaBoost 与梯度提升》“提升法逐步扩充一个加法模型”中记作 M 的等号左侧的目标量 | 机器学习 · 最优化 | 由上下文确定；符号 M 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：M、M、M、M、M、M | A02 · AdaBoost、梯度提升与残差拟合 |
mlambdaimlambda_i | 《约束优化与对偶》“拉格朗日函数与对偶函数”中 mlambda 的下标 i 分量或状态量 | 机器学习 · 最优化 | 不适用；下标 i 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | M11 · 约束优化、KKT 条件与对偶性 |
μmu | 《聚类方法》“K 均值的目标与 Lloyd 交替优化”中记作 mu 的等号左侧的目标量 | 机器学习 · 最优化 | 由上下文确定；符号 mu 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：μ、μ、μ、μ、μ、μ、μ、μ、μ、μ、μ | A03 · 聚类目标、K 均值与密度方法 |
μzmu_z_i | 《聚类方法》“K 均值的目标与 Lloyd 交替优化”中 mu 的下标 z 分量或状态量 | 机器学习 · 最优化 | 由上下文确定；下标 z 的取值范围以该公式邻近定义和求和范围为准。 | 无别名 | A03 · 聚类目标、K 均值与密度方法 |
nn | 《损失函数》“经验风险”中记作 n 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 n 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n | A00 · 损失函数、风险与评估 · 共 4 处- A00 · 损失函数、风险与评估 · 正文位置 1
- A00 · 损失函数、风险与评估 · 正文位置 2
- A00 · 损失函数、风险与评估 · 正文位置 3
- A00 · 损失函数、风险与评估 · 正文位置 4
|
nn | 《风险、容量与收敛》“结构风险最小化同时支付拟合与容量”中记作 n 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 n 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n | A01 · 经验风险、容量与一致收敛 · 共 6 处- A01 · 经验风险、容量与一致收敛 · 正文位置 1
- A01 · 经验风险、容量与一致收敛 · 正文位置 2
- A01 · 经验风险、容量与一致收敛 · 正文位置 3
- A01 · 经验风险、容量与一致收敛 · 正文位置 4
- A01 · 经验风险、容量与一致收敛 · 正文位置 5
- A01 · 经验风险、容量与一致收敛 · 正文位置 6
|
nn | 《线性学习综合复习》“Logistic 回归学习条件概率”中记作 n 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 n 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n | A01 · 线性模型与统计学习综合复习 · 共 3 处- A01 · 线性模型与统计学习综合复习 · 正文位置 1
- A01 · 线性模型与统计学习综合复习 · 正文位置 2
- A01 · 线性模型与统计学习综合复习 · 正文位置 3
|
nn | 《正则化》“有效正则化强度”中记作 n 的等号左侧的目标量 | 机器学习 · 最优化 | 由上下文确定；符号 n 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n | A01 · 正则化、偏差与方差 · 共 4 处- A01 · 正则化、偏差与方差 · 正文位置 1
- A01 · 正则化、偏差与方差 · 正文位置 2
- A01 · 正则化、偏差与方差 · 正文位置 3
- A01 · 正则化、偏差与方差 · 正文位置 4
|
nn | 《聚类方法》“K 均值的目标与 Lloyd 交替优化”中记作 n 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 n 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n、n | A03 · 聚类目标、K 均值与密度方法 · 共 2 处- A03 · 聚类目标、K 均值与密度方法 · 正文位置 1
- A03 · 聚类目标、K 均值与密度方法 · 正文位置 2
|
NN | 《指标与基线》“混淆矩阵固定一个操作阈值”中记作 N 的等号右侧的输入量或系数 | 机器学习 · 最优化 | 由上下文确定；符号 N 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名易混淆：N、N、N、N、N、N、N、N、N、N、N、N、N | A00 · 分类、回归指标与基线 · 共 4 处- A00 · 分类、回归指标与基线 · 正文位置 1
- A00 · 分类、回归指标与基线 · 正文位置 2
- A00 · 分类、回归指标与基线 · 正文位置 3
- A00 · 分类、回归指标与基线 · 正文位置 4
|
νnu | 《约束优化与对偶》“拉格朗日函数与对偶函数”中记作 nu 的等号左侧的目标量 | 机器学习 · 最优化 | 不适用；符号 nu 仅按该公式锚点给出的对象类型、取值域与维度解释。 | 无别名 | M11 · 约束优化、KKT 条件与对偶性 · 共 8 处- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 1
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 2
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 3
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 4
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 5
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 6
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 7
- M11 · 约束优化、KKT 条件与对偶性 · 正文位置 8
|