{
	"bagging-description": "L'aggregazione di Bootstrap è spesso utilizzata con metodi ad albero decisionale. Disegnando campioni di bootstrap dai dati di formazione originali che stimano un modello per ogni campione disegnato, le previsioni di tali modelli sono poi mediate per produrre previsioni a bassa variazione non così inclini all'overfitting.",
	"boosting-description": "Gli algoritmi di potenziamento, come AdaBoost, imparano iterativamente i classificatori deboli e li aggiungono a un classificatore finale forte ponderandoli. Aggiungendo i classificatori, i dati di input classificati male ottengono un peso più alto e gli esempi che sono classificati correttamente perdono peso. Così, i futuri studenti deboli si concentrano maggiormente sugli esempi che i precedenti studenti deboli hanno erroneamente classificato.",
	"cart-description": "L'analisi dell'albero di classificazione e regressione (CART) costruisce un albero che va dalle caratteristiche di un'osservazione (rappresentata nei rami) ad un valore previsto (rappresentato nelle foglie).",
	"classification": "Classificazione",
	"clustering": "Clustering",
	"dimensionality-reduction": "Riduzione della dimensionalità",
	"elastic-net-description": "La rete elastica è un metodo di regressione regolarizzato che combina linearmente le penalità L1 e L2 del lazo e della cresta.",
	"ensemble": "Ensemble",
	"kmeans-description": "Raggruppare le osservazioni in un numero fisso (k) di cluster in modo tale che i membri del cluster siano più simili tra loro che non alle osservazioni in altri cluster.",
	"knn-description": "Utilizzato sia per la regressione che per la classificazione. Utilizza il voto di maggioranza tra i punti k-nearest per la classificazione kNN. Per la regressione, l'output è la media dei valori k-nearest.",
	"lasso-description": "Metodo di regressione regolarizzato che penalizza i coefficienti di regressione utilizzando la norma L1. Scambia la varianza inferiore per un po' di distorsione. Porta ad un modello rado.",
	"linear-regression-description": "Modella la relazione tra una risposta scalare e una o più variabili esplicative. La regressione lineare semplice si riferisce al caso in cui è presente un solo predittore, la regressione lineare multipla viene utilizzata con più variabili esplicative. Si chiama lineare perché la funzione stimata è lineare nei suoi coefficienti.",
	"logistic-regression-description": "La regressione logistica è un metodo di classificazione utilizzato per assegnare le osservazioni a una delle due classi. La regressione logistica utilizza la funzione sigmoide logistica per restituire un valore di probabilità per ogni classe",
	"naive-bayes-description": "I metodi Naive Bayes sono un insieme di algoritmi di classificazione basati sull'applicazione del teorema di Bayes con l'assunzione \"ingenua\" dell'indipendenza condizionale tra ogni coppia di caratteristiche dato il valore della variabile di classe.",
	"neural-networks-description": "Le reti neurali artificiali sono utilizzate per modellare complesse relazioni tra gli ingressi e le uscite attraverso l'apprendimento di una funzione non lineare senza l'ingegneria manuale delle caratteristiche.",
	"pca-description": "L'analisi delle componenti principali (PCA) usa una trasformazione ortogonale per convertire variabili possibilmente correlate in un insieme di valori di variabili linearmente non correlate chiamate componenti principali.",
	"random-forest-description": "Le Foreste Casuali costruiscono una moltitudine di alberi decisionali al momento dell'addestramento e restituiscono la classe che è la modalità delle classi (classificazione) o la previsione media (regressione) dei singoli alberi.",
	"regression": "Regressione",
	"ridge-description": "Metodo di regressione regolarizzato che penalizza i coefficienti di regressione utilizzando la norma L2. Scambia la varianza inferiore per un po' di distorsione. Non produce un modello rado, cioè i coefficienti non vengono portati a zero.",
	"svm-description": "Le Macchine Vettoriali di Supporto sono classificatori discriminanti. Dati i dati di formazione etichettati, l'algoritmo trova un iperpiano ottimale per classificare i nuovi esempi. In due dimensioni questo iperpiano è una linea che lo divide in due parti.",
	"üca-description": "L'Analisi delle Componenti Principali (PCA) utilizza una trasformazione ortogonale per convertire le variabili eventualmente correlate in un insieme di valori di variabili linearmente non correlate, chiamate componenti principali."
}