机器学习常见的数学符号表

### 机器学习常见符号及其含义 #### 数学基础符号 在机器学习领域，许多数学符号用于表达复杂的算法和模型。一些不太常见的符号可能会影响公式的理解与应用[^1]。 - **集合运算符** - $\in$ 表示属于某个集合；$\notin$ 则表示不属于该集合。 - **逻辑运算符** - $\land$ (AND)，$\lor$ (OR)，$\lnot$ (NOT) - **微积分相关** - $\nabla f(x)$ 表示函数 $f(x)$ 的梯度向量，在优化过程中起到重要作用。 - $\partial/\partial x_i$: 对变量$x_i$求偏导数 - **概率论中的特殊记号** - $P(X=x|Y=y)$ 条件概率分布，给定事件 Y 发生的情况下 X 发生的概率。 - $\mathbb{E}[X]$ 随机变量 X 的期望值。 #### 基础概念符号定义 对于初学者来说，掌握以下几个核心符号有助于更好地理解和实现具体算法： - **权重矩阵 W 和偏差 b**: 在神经网络中用来调整输入数据到输出层之间的映射关系。 - **激活函数 σ(z)** : 将线性组合后的特征通过非线性的变换传递至下一层节点。 - **损失函数 L(y, \hat y)** ：衡量预测结果与真实标签之间差异程度的一个量化指标。 ```python import numpy as np def sigmoid(z): """Sigmoid activation function.""" return 1 / (1 + np.exp(-z)) ``` #### 性能评估指标符号说明 当讨论分类器性能时会用到一系列统计量来描述其优劣特性: - **精准率 Precision**：正类样本被正确识别的比例。 \[ P = TP/(TP+FP)\] - **召回率 Recall/Sensitivity/True Positive Rate(TPR):** 实际为正的实例中有多少比例被判别成正例。 \[ R=TP/(TP+FN) \] - **F1 Score:** 综合考虑Precision和Recall两者平衡的结果。 \[ F_1=2*{(P*R)/(P+R)}\] 以上各项均基于混淆矩阵计算得出，其中TP(True Positives), FP(False Positives), TN(True Negatives), FN(False Negatives)[^2]. #### 强化学习特有标记体系 特别地，在强化学习场景下还有一些独特的符号约定： - 动作空间 A(action space) - 状态 s(state) - 策略 π(policy) - 折扣因子 γ(discount factor) - 即时奖励 r(reward signal) - V(s)(value function of state s) 或 Q(s,a)(action-value function given a pair of state-action pairs). 状态转移方程可以写作$s_{t+1}=T(s_t,a_t)$ ，而总回报则由即时奖励加上未来预期收益构成$r_t+\gamma *V(s_{t+1})$ [^3].