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,
$R^n$
3. 输入空间
X
,输出空间
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
$(x_i,y_i)$
8.输入向量,
n
维实数向量
$x=(x^{(1)},x^{(2)},...,x^{(n)})^T$
9.输入向量
xi
的第
j
分量:
$x_i^{(j)}$
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
$f \in F$
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
$J(f)$
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
$\eta$
21. L1 范数 ∥⋅∥ , L2 范数 ∥⋅∥2
$\parallel \cdot \parallel $
$\parallel \cdot \parallel_2 $
22.向量
x
与
$(x \cdot x^{'})$
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
$\alpha=(\alpha_1,\alpha_2,...,\alpha_n)^T$
27.对偶问题的第
i
个变量
$\alpha_i$
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
$\omega$