{
	"bagging-description": "Bootstrap聚合法经常与决策树方法一起使用。从原始训练数据中抽取引导样本，对每个抽取的样本估计一个模型，然后对所述模型的预测进行平均，得到不容易过拟合的低方差预测。",
	"boosting-description": "AdaBoost等提升算法迭代学习弱分类器，并通过加权将其添加到最终的强分类器中。随着分类器的添加，错误分类的输入数据会获得更高的权重，而分类正确的例子则会失去权重。因此，未来的弱学习器会更加关注之前的弱学习器错误分类的例子。",
	"cart-description": "分类与回归树（CART）分析建立了一棵树，从观测值的特征（用树枝表示）到预测值（用树叶表示）。",
	"classification": "分类",
	"clustering": "聚类",
	"dimensionality-reduction": "减少尺寸",
	"elastic-net-description": "弹性网是一种正则化的回归方法，它线性地结合了套索法和山脊法的L1和L2惩罚。",
	"ensemble": "合奏",
	"kmeans-description": "将观测值分成一个固定数量(k)的聚类，使聚类成员之间的相似度高于其他聚类中的观测值。",
	"knn-description": "用于回归和分类。在kNN分类中使用k-nearest点之间的多数票。对于回归，输出的是k-nearest值的平均值。",
	"lasso-description": "正则化回归方法，使用L1规范对回归系数进行惩罚。以较低的方差换取一点偏倚。导致一个稀疏模型。",
	"linear-regression-description": "对标量反应与一个或多个解释变量之间的关系进行建模。简单线性回归指的是有一个预测因子的情况，多元线性回归是用多个解释变量。因为估计函数的系数是线性的，所以称为线性。",
	"logistic-regression-description": "Logistic回归是一种分类方法，用于将观测值分配到两类中的任何一类。Logistic回归使用logistic sigmoid函数来返回每个类别的概率值。",
	"naive-bayes-description": "天真贝叶斯方法是一组基于应用贝叶斯定理的分类算法，其 \"天真 \"假设是每一对特征之间给定类变量的值具有条件独立性。",
	"neural-networks-description": "人工神经网络是通过学习非线性函数来模拟输入和输出之间的复杂关系，而不需要人工进行特征工程。",
	"pca-description": "主成分分析（PCA）使用正交变换，将可能相关的变量转换为一组线性不相关的变量值，称为主成分。",
	"random-forest-description": "随机森林在训练时构建了众多的决策树，返回的类是各个树的类的模式（分类）或平均预测（回归）。",
	"regression": "回归",
	"ridge-description": "正则化回归方法，使用L2规范对回归系数进行惩罚。以较低的方差换取一点偏差。不产生稀疏模型，即系数不为零。",
	"svm-description": "支持向量机是一种判别性分类器。给定标记的训练数据，算法会找到一个最优的超平面来对新的例子进行分类。在二维度上，这个超平面是一条线，把它分成两个部分。",
	"üca-description": "主成分分析（PCA）使用正交变换将可能相关的变量转换成一组线性不相关的变量值，称为主成分。"
}