机器学习中常见的字母解析及MarkDown代码
在机器学习中,有很多符号,下面介绍这些符号的含义,以及它对应的MarkDown代码。
1. 实数集R
$R$
2.n维空间向量,n维欧式空间, Rn
$R^n$
3. 输入空间 X ,输出空间Y
或者输入空间 X, 输出空间 Y
$X$
$Y$
$mathcal{X} $
$mathcal{Y} $
4. 输入,实例x∈X; 输出,标记y∈Y
$x in X$
$y in Y$
$x in mathcal{X} $
$y in mathcal{Y} $
5.训练数据集T=(x1,y1),(x2,y2),...,(xN,yN)
$T={(x_1,y_1),(x_2,y_2),...,(x_N,y_N)}$
6.样本容量N
$N$
7.第i个训练数据点(xi,yi)
$(x_i,y_i)$
8.输入向量,n维实数向量 x=(x(1),x(2),...,x(n))T
$x=(x^{(1)},x^{(2)},...,x^{(n)})^T$
9.输入向量xi的第j分量: x(j)i
$x_i^{(j)}$
10.概率分布 P(X),P(Y)
$P(X),P(Y)$
11.联合概率分布 P(X,Y)
$P(X,Y)$
12.假设空间 F
$F$
13.模型,特征函数 f∈F
$f in F$
14.模型参数 θ,w
$theta,w$
15.权值向量w=(w1,w2,...,wn)T
$w=(w_1,w_2,...,w_n)^T$
16.偏置,或者截距 b
$b$
17.模型的复杂度 J(f)
$J(f)$
18.经验风险,或经验损失 Remp
$R_{emp}$
19.损失函数,拉格朗日函数 L
$L$
20.学习率 η
$eta$
21. L1范数 ∥⋅∥,L2范数 ∥⋅∥2
$parallel cdot parallel $
$parallel cdot parallel_2 $
22.向量x与x′的内积 (x⋅x′)
$(x cdot x^{'})$
23.熵 H(X),H(p)
$H(X), H(p)$
24.条件熵 H(Y|X)
$H(Y|X)$
25.分离超平面 S
$S$
26.拉格朗日乘子,对偶问题变量 α=(α1,α2,...,αn)T
$alpha=(alpha_1,alpha_2,...,alpha_n)^T$
27.对偶问题的第i个变量 αi
$alpha_i$
28.核函数 K(x,z)
$K(x,z)$
29.符号函数 sign(x)
$sign(x)$
30.指示函数 I(x)
$I(x)$
31.规范化因子 Z(x)
$Z(x)$
如果需要找到希腊字母的 MarkDown代码,只需要在http://detexify.kirelabs.org/classify.html 里的框框里用鼠标写出该字母,再选择对应的代码即可。如图(1)所示:
例如 欧米伽ω的LaTex代码为
$omega$
转载请注明:数据分析 » 机器学习中常见的字母解析及MarkDown代码