- \(\alpha\) - ustalony poziom istotności
- \(\alpha_i\) - mnożniki Lagrange'a
- \(\beta_i\) - wartość osobliwa
- \(\hat{q}_k\) - macierz współczynników regresji po k iteracjach
- \(\Lambda\) - macierz wartości własnych
- \(Acc\) - dokładność klasyfikatora
- \(B_K^{PLS}\) - współczynniki regresji dla PLS
- \(c\) - parametr regularyzacyjny
- \(CI\) - przedział ufności
- \(E\) - składnik resztkowy
- \(E\) - łączny błąd klasyfikatora
- \(E_{B}\) - błąd uzyskany metodą scyzoryka
- \(E_{CV}\) - błąd uzyskany metodą CV
- \(Ecc\) - błąd klasyfikatora
- \(Eff\) - sprawność klasyfikatora
- \(f\) - fall-out klasyfikatora
- \(g_i \) - funkcja dyskryminacyjna
- \(g_{ij}\) - powierzchnia decyzyjna
- \(K\) - funkcja jądra
- \(L\) - ilość klas
- \(m\) - margines hiperpłaszczyzny rozdzielającej
- \(n_{CI}\) - ilość wartości błędu klasyfikatora wykorzystana w celu estymacji rozkładu
|
- \(n_{err}\) - liczba błędnie sklasyfikowanych próbek
- \(n_{prop}\) - ilość poprawnie sklasyfikowanych próbek
- \(n_{test}\) - ilość próbek w zbiorze testowym
- \(n_{val}\) - ilość próbek w zbiorze walidacyjnym
- \(p_{\frac{\alpha}{2}}\) - \(\frac{\alpha}{2}\) percentyl
- \(q_k\) - wektor wag dla macierzy \(Y\) w metodzie PLS
- \(Recall\) - zwrot klasyfikatora
- \(S\) - macierz wartości osobliwych, [1]
- \(Sens\) - sprawność klasyfikatora
- \(Spec\) - specyficzność klasyfikatora
- \(T\) - macierz komponentów PLS
- \(t_k\) - komponenty macierzy \(X\) uzyskane metodą PLS
- \(T_{PCA}\) - macierz komponentów PCA
- \(TP\) - liczba poprawnie sklasyfikowanych próbek z klasy \(C_1\)
- \(u_k\) - komponenty macierzy \(Y\) uzyskane metodą PLS
- \(V\) - macierz wektorów własnych
- \(w_k\) - wektor wag dla macierzy \(X\) w metodzie PLS
- \(X_{PCA}\) - macierz w nowej przestrzeni uzyskana za pomocą algorytmu PCA
- \(X_{test}\) - zbiór testowy
- \(X_{train}\) - zbiór uczący
- \(X_{val}\) - zbiór walidacyjny
|