核支持向量机(Kernel Support Vector Machines，KSVM)
一种分类算法，旨在通过将输入数据向量映射到更高维度的空间来最大化正类别和负类别之间的裕度。以某个输入数据集包含一百个特征的分类问题为例，为了最大化正类别和负类别之间的裕度，KSVM可以在内部将这些特征映射到百万维度的空间。KSVM使用合页损失函数。
L1损失函数（L₁ loss）
一种损失函数，基于模型预测的值与标签的实际值之差的绝对值。与L2损失函数相比，L1损失函数对离群值的敏感性弱一些。
L1正则化（L1regularization）
一种正则化，根据权重的绝对值的总和来惩罚权重。在依赖稀疏特征的模型中，L1正则化有助于使不相关或几乎不相关的特征的权重正好为0，从而将这些特征从模型中移除。与L2正则化相对。
L2 损失函数（L2loss）
可参阅平方损失函数。
L2正则化(L2 regularization)
一种正则化，根据权重的平方和来惩罚权重。L2正则化有助于使离群值（具有较大正值或较小负值）权重接近于0，但又不正好为0（与L1正则化相对）。在线性模型中，L2正则化始终可以改进泛化。
标签（label）
在监督式学习中，标签指样本的“答案”或“结果”部分。有标签数据集中的每个样本都包含一个或多个特征以及一个标签。例如，在房屋数据集中，特征可以包括卧室数、卫生间数以及房龄，而标签则可以是房价。在垃圾邮件检测数据集中，特征可以包括主题行、发件人以及电子邮件本身，而标签则可以是“垃圾邮件”或“非垃圾邮件”。
有标签样本(labeled example)
包含特征和标签的样本。在监督式训练中，模型从有标签样本中进行学习。
lambda
正则化率的同义词。这是一个多含义术语，我们在此关注的是该术语在正则化中的定义。
层(layer)
神经网络中的一组神经元，处理一组输入特征或一组神经元的输出。此外，还指TensorFlow
人工智能与大数据技术导论
458