Системы информационные /system of information

 Ошибка квадратная относительная — в регрессии, метрика оценки, которая является суммой всех квадратных абсолютных ошибок, разделенных суммой квадратных расстояний между правильными значениями меток метки и средним значением всех

N-грамм — схема извлечения признаков для текстовых данных: любая последовательность слов N превращается в функцию значение. [Глоссарий машинного обучения важных терминов (Электронный ресурс). Режим доступа: http:// learn.microsoft.com›ru-ru/dotnet/machine-learning

Трубопровод — все операции, необходимые для соответствия модели набору данных. Конвейер состоит из этапов импорта данных, преобразования, признаков и обучения. После обучения конвейера он превращается

Регуляризации — нормализация наказывает линейную модель за слишком сложную. Существует два типа нормализации: L1 нормализация ноль весов для незначительных признаков. Размер сохраненной модели может быть меньше

Точность для класса — это количество элементов, правильно прогнозируемых как принадлежащих к данному классу, разделенных на общее число элементов, прогнозируемых как принадлежащих к классу. [Глоссарий

Вектор числовых признаков — компонент вектор, состоящий только из числовых значений. [Глоссарий машинного обучения важных терминов (Электронный ресурс). Режим доступа: http:// learn.microsoft.com›ru-ru/dotnet/machine-learning /, свободный.] [Глоссарий машинного обучения — ML.NET 

Функция потери — это разница между значениями меток обучения и прогнозом, сделанным моделью. Параметры модели оцениваются путем минимизации функции потери. [Глоссарий машинного обучения важных терминов

Ярлык — элемент, прогнозируемый с помощью модели машинного обучения. Например, порода собак или будущая цена акций. [Глоссарий машинного обучения важных терминов (Электронный ресурс). Режим доступа:

Метод расширения — метод .NET, который является частью класса, но определяется вне класса. Первый параметр метода расширения является статическим this ссылкой на класс, к которому принадлежит метод

Коэффициент определения — метрика оценки, указывающая, насколько хорошо данные соответствуют модели. Диапазоны от 0 до 1. Значение 0 означает, что данные являются случайными или иным