1
目录
一、专业术语 & 公式
1. ground truth
标定好的真实数据（标准答案）
机器学习里经常出现ground truth这个词，能否准确解释一下？ - 非理的回答 - 知乎
在有监督学习中，数据是有标注的，以((x, t))的形式出现，其中(x)是输入数据，(t)是标注。正确的
$t$标注是 ground truth。
2. 准确率（Accuracy）、精确率（Precision），召回率（Recall）
参考：
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
首先引入基本概念：TP、FP、FN、TN
| 预测情况 | 相关(Relevant),正类 | 无关(NonRelevant),负类 |
|---|---|---|
| 正类 | true positives (TP 正类判定为正类) | false positives (FP 负类判定为正类) |
| 负类 | false negatives (FN 正类判定为负类) | true negatives (TN 负类判定为负类) |
说明：
TP：T 判断正确，P 判断为正类
FP：F 判断错误，P 判断为正类，实际为负类
FN：F 判断错误，N 判断为负类，实际为正类
TN：T 判断正确，N 判断为负类
Accuracy：准确率，对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。
公式表示如下：
对于 Precision 和 Recall 来说都是针对正类来考虑的，就是说我正类找的对不对、全不全。
Precision：精确率/查准率，在所有判断为正类的结果（TP、FP）中，判断正确（TP）所占的比例。
通俗理解：找的对不对，我找到的所有正类中对的比例
公示表示如下：
Recall：召回率/查全率，对于实际为正类（TP，FN）的所有内容中，判断正确（TP）所占的比例。
通俗理解：找的全不全，所有的正类被正确找到的比例
公式表示如下：
查准率：查的准不准，看看所有判断为正例中判断对的比例
查全率：查的全不全，看看所有的正例中被正确查到的比例
参考：
A：检索到的，相关的 （搜到的也想要的）
B：检索到的，但是不相关的 （搜到的但没用的）
C：未检索到的，但却是相关的 （没搜到，然而实际上想要的）
D：未检索到的，也不相关的 （没搜到也没用的）
3. arg max 与 arg min 函数
参考：argmin ，argmax函数
参考：arg max - wikipedia
arg max: arguments of the maxima，最大值对应的点集
arg min: arguments of the minima，最小值对应的点集
max：最大值
min：最小值
举例如下：
4. 行向量与列向量
参考：LaTeX输入单个点、横向多个点、竖向多个点、斜向多个点
行向量用逗号分隔
列向量用分号分隔
在教学书里面一般是按照列向量来表示。
行向量：(vec{y} = (y_1,y_2,y_3,...,y_m))
列向量：(vec{y} = (y_1;y_2;y_3;...;y_m))
行向量表示如下：
列向量表示如下：
5. 估计量 (widehat heta)
( heta) 的一个估计量记为(widehat{ heta})。对于 Wikipedia 里面的公式，显示是以图片的形式显示，但是复制的时候可以将其 LaTeX 源码复制出来。