术语表

模型为分类决策作出的正确预测百分比。对于数值决策而言，这更为复杂。

一种机器学习 (ML) 技术，它要求人机回圈为特定输入提供结果。这些输入被机器用于优化学习速率，并更大程度减少与人机回圈的交互次数。另请参阅指导性学习。

一种机器学习系统，不需要用户输入即可拟合数据、分析变量之间的关系，并对新数据进行预测。一个典型的例子是自动统计学家 (Automatic Statistician)。

采用两个值（通常为 True 或 False）之一的分类变量。

这一流程包括审查模型输入和结果预测，并在需要时覆盖模型决策。

变量，即采用一组固定值中的一个。如果值是无序的，则为“名义”分类变量；如果值是有序的，则为“有序”分类变量。

请参阅可信度。

规则的一部分。必须满足规则的所有条件，才能应用规则。例如：stock room = full。也称为“限制”。

这定义了模型在预测中的确定性，例如，100 次预测中正确的次数。也称为“确定性”。

问题中的变量类型。可以是分类或数值。

请参阅结果变量。

请参阅规则。

一种机器学习技术，它要求人机回圈提供生成特定输出的输入。这些输出被计算机用于优化学习速率，并更大限度减少与人机回圈中的交互次数。另请参阅主动学习。

为机器学习方法或自动化提供指导的人。

决策流程的输入。

模型为输入变量提供的相对值，与其他输入变量进行比较以确定其重要性。较高的值表示模型认为该变量比较重要。一些模型允许用户改变这些权重。也称为特征重要性或特征权重。

基于训练数据中输入的 k 个最近邻居 (kNN) 对该输入进行预测（分类或数值）的机器学习或统计非参数模型。最近的邻居可以被视为等量（未加权 kNN 模型）或通过其反距离或相似性（加权 kNN 模型）加权。

计算机进行自行学习的系统。

基于给定特征集预测结果（决策）的机器学习系统。

被视作与为变量输入值相似的样本子集。请参阅 kNN 模型。

无需编程即可配置的系统。这些系统通常为业务用户而非工程师使用而设计。

无序分类变量。例如，“cat”、“horse”、“dog”。

这种机器学习模型对问题结构作出的假设较少，并且适用于拟合数据。通常，这些模型比标准统计参数模型更为灵活。

取某一范围内的任何值的变量。例如，1、1.2、100、-3。

有序分类变量。例如，“小”、“中”、“大”。

决策流程的结果。也称为“决策”。

用户定义的 Decision 模型异常。这是一个条件或约束的列表，当满足这些条件或约束时，将强迫结果为一个特定的值。也称为“异常”。

数据点，是一组完整的输入变量值，可能也与结果变量值相关联。

请参阅 kNN 模型。

输入或结果（决策）变量的通用术语。