-
${}$ 集合 文本集合$D={d_1,d_2,\cdots,d_n}$，单词集合$W={w_1,w_2,\cdots,w_m}$$P_{327}$ -
$A_G$ 类的样本散布矩阵$P_{259}$ -
$C^*$ 最优划分$P_{261}$ -
$D_G$ 类的直径 - $D=[d_{ij}]{n \times n}$ $n$个样本之间的距离矩阵$D$ $P{261}$
-
$D={d_1,d_2,\cdots,d_n}$ $n$ 个文本的集合$P_{322}$ -
$D(A||B)=\sum\limits_{i,j}\left(a_{ij}\log\frac{a_{ij}}{b{ij}}-a_{ij}+b_{ij}\right)$ 散度损失函数$P_{322}$ -
$J(W,H)$ 优化目标函数。$P_{334}$ -
$\Lambda$ $n$ 阶对角矩阵 -
$\mathcal{M}$ 是$\mathbf{R}^{m\times n}$中所有秩不超过$k$的矩阵集合，$0<k<r$$P_{287}$ -
$m, M$ 样本特征数，维数$P_{261}$ -
$m$ 协方差矩阵的特征值之和$P_{309}$ -
$n,N,n_G$ 样本数，类的样本数 -
$\theta$ 参数 -
$R(A)$ $A$ 的值域$P_{275}$ -
$R(A)^\bot$ 表示$R(A)$的正交补$P_{276}$ -
$r$ 矩阵的秩$P_{277}$ -
$S_G$ 类的样本协方差矩阵$P_{259}$ -
$\mathcal{S}$ 状态空间$P_{360}$ -
$T$ 训练数据集$P_{59}$ -
$T$ 和$V$给定的两个正数$P_{259}$ -
$T$ 决策树$P_{78}$ -
$T:x\rightarrow Ax$ 线性变换$P_{279}$ -
$U$ 训练数据$P_8, P_{248}, P_{245}$ -
$U$ 表示$m$阶正交矩阵 ，$V$表示$n$阶正交矩阵，$\mit\Sigma$表示矩形对角矩阵，$P_{271}$ -
$U_k=[u_1 u_2 \cdots u_k]$ 中的每一个列向量$u_1, u_2, \cdots, u_k$表示一个话题，称为话题向量。. -
$W$ 在非负矩阵分解中表示基矩阵$P_{332}$ -
$W(C)$ 能量，表示相同类中的样本的相似程度。越相似，越小。$P_{264}$ -
$W=A^\mathrm TA$ 对称矩阵$P_{282}$ -
$W={w_1,w_2,\cdots, w_m}$ $m$ 个单词集合$P_{322}$ -
$\mathcal{W}={w_1,w_2,\cdots, w_k}$ $k$ 个元素组成的集合$P_{389}$ -
$x_i^*$ 是$x_i$的规范化随机变量。$P_{309}$ -
$X=[x_{ij}]_{m\times n}$ 矩阵 -
$X={x_1, x_2, \dots ,x_n}$ $n$ 个样本的集合$P_{263}$ -
$X$ 定义在输入空间$\mathcal X$上的随机向量 -
$X={X_0,X_1,\cdots,\X_t,\cdots}$ 马尔可夫链$P_{360}$ -
$Y$ 定义在输出空间$\mathcal Y$上的随机向量 -
$\mathcal{Z}$ 隐式结构空间$P_8$