Regression on 中文AI术语词典https://terms-en.ai-term-hub.com/zh/tags/regression/Recent content in Regression on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000尖峰-厚尾回归https://terms-en.ai-term-hub.com/zh/terms/spike_and_slab_regression/Sat, 18 Jul 2026 11:35:05 +0000https://terms-en.ai-term-hub.com/zh/terms/spike_and_slab_regression/<h2 id="definition">Definition</h2> <p>尖峰-厚尾回归（Spike-and-slab regression）是一种用于变量选择和稀疏建模的贝叶斯统计技术。它采用由两个部分组成的混合先验分布：一个‘尖峰’（spike，通常集中在零点附近以表示系数为零）和一个‘厚尾’（slab，较宽的分布以表示非零系数）。这种方法通过概率方式自动进行特征选择，特别适用于高维数据中识别重要变量的场景。</p> <h3 id="summary">Summary</h3> <p>一种贝叶斯变量选择方法，使用混合先验分布来区分系数为零和非零的情况。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>贝叶斯推断</li> <li>稀疏建模</li> <li>混合先验</li> <li>变量选择</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>高维基因组数据分析</li> <li>金融风险因子识别</li> <li>预测模型中的特征选择</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/lasso-l1%E6%AD%A3%E5%88%99%E5%8C%96%E5%9B%9E%E5%BD%92/">Lasso (L1正则化回归)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ridge-regression-%E5%B2%AD%E5%9B%9E%E5%BD%92-l2%E6%AD%A3%E5%88%99%E5%8C%96/">Ridge Regression (岭回归/L2正则化)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bayesian-linear-regression-%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92/">Bayesian Linear Regression (贝叶斯线性回归)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/sparsity-%E7%A8%80%E7%96%8F%E6%80%A7/">Sparsity (稀疏性)</a></li> </ul>用于学习的近端梯度方法https://terms-en.ai-term-hub.com/zh/terms/proximal_gradient_methods_for_learning/Sat, 18 Jul 2026 11:30:52 +0000https://terms-en.ai-term-hub.com/zh/terms/proximal_gradient_methods_for_learning/<h2 id="definition">Definition</h2> <p>近端梯度方法是一种迭代优化技术，当损失函数包含可微分的平滑项和不可微分的正则项（如L1范数）时使用。该算法通过将平滑部分的梯度下降步骤与非平滑部分的近端算子（proximal operator）相结合，有效地处理非光滑优化问题。</p> <h3 id="summary">Summary</h3> <p>旨在最小化包含平滑和非平滑分量的复合目标函数的优化算法。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>复合优化</li> <li>近端算子</li> <li>L1正则化</li> <li>非光滑凸性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>稀疏特征选择</li> <li>Lasso回归</li> <li>结构化预测模型</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D-gradient-descent/">梯度下降 (Gradient Descent)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/lasso-least-absolute-shrinkage-and-selection-operator/">Lasso (Least Absolute Shrinkage and Selection Operator)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E5%87%B8%E4%BC%98%E5%8C%96-convex-optimization/">凸优化 (Convex Optimization)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%AD%A3%E5%88%99%E5%8C%96-regularization/">正则化 (Regularization)</a></li> </ul>多元自适应回归样条https://terms-en.ai-term-hub.com/zh/terms/multivariate_adaptive_regression_spline/Sat, 18 Jul 2026 11:27:47 +0000https://terms-en.ai-term-hub.com/zh/terms/multivariate_adaptive_regression_spline/<h2 id="definition">Definition</h2> <p>多元自适应回归样条（MARS）是一种灵活的回归方法，通过拟合分段线性基函数来建模复杂的非线性关系。它会自动选择断点（knots）并构建基函数，以捕捉数据中的局部变化模式。</p> <h3 id="summary">Summary</h3> <p>一种非参数回归技术，自动选择基函数以对复杂关系进行建模。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>分段线性函数</li> <li>基函数</li> <li>断点选择</li> <li>非参数回归</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>金融预测</li> <li>环境建模</li> <li>医疗结果预测</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/splines-%E6%A0%B7%E6%9D%A1/">splines (样条)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/non_linear_regression-%E9%9D%9E%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92/">non_linear_regression (非线性回归)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/feature_selection-%E7%89%B9%E5%BE%81%E9%80%89%E6%8B%A9/">feature_selection (特征选择)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ensemble_methods-%E9%9B%86%E6%88%90%E6%96%B9%E6%B3%95/">ensemble_methods (集成方法)</a></li> </ul>