balanced.cv.fold | 在考虑类平衡的情况下拆分数据集以进行交叉验证 | ||
balanced.loss.weights | 计算重量损失这样每个等级的总损失就平衡了 | ||
bhattacharyya.coefficient | 计算海林格距离所需的Bhattacharyya系数 | ||
binaryClassificationLoss | 二元分类的损失函数 | ||
costMatrix | 计算或检查成本矩阵的结构 | ||
epsilonInsensitiveRegressionLoss | 执行回归的损失函数 | ||
fbetaLoss | 二元分类的损失函数 | ||
gradient | 返回或设置渐变属性 | ||
gradient.default | 返回或设置渐变属性 | ||
gradient | 返回或设置渐变属性 | ||
gradient | 返回或设置渐变属性 | ||
hclust_fca | 在hclust对象中查找2个节点的第一个公共祖先 | ||
hellinger.dist | 计算海林格距离 | ||
hingeLoss | 二元分类的损失函数 | ||
is.convex | 返回或设置是凸的属性 | ||
is.convex.default | 返回或设置是凸的属性 | ||
is.convex | 返回或设置是凸的属性 | ||
is.convex | 返回或设置是凸的属性 | ||
iterative.hclust | 对数据集的随机子集执行多层次聚类 | ||
ladRegressionLoss | 执行回归的损失函数 | ||
linearRegressionLoss | 执行回归的损失函数 | ||
lmsRegressionLoss | 执行回归的损失函数 | ||
logisticLoss | 二元分类的损失函数 | ||
lpSVM | 线性规划支持向量机 | ||
lvalue | 返回或设置左值属性 | ||
lvalue.default | 返回或设置左值属性 | ||
lvalue | 返回或设置左值属性 | ||
lvalue | 返回或设置左值属性 | ||
mmc | 方便的包装函数解决数据集上的最大边际聚类问题 | ||
mmcLoss | 最大边际聚类的损失函数 | ||
multivariateHingeLoss | 多元铰链损失的损失函数 | ||
nrbm | 基于L2正则化和有限记忆的凸与非凸风险最小化 | ||
nrbmL1 | 基于L2正则化和有限记忆的凸与非凸风险最小化 | ||
ontologyLoss | 本体损失函数 | ||
ordinalRegressionLoss | 序贯回归的损失函数 | ||
predict.mmc | 根据mmc模型预测新实例类 | ||
predict.svmLP | 线性规划支持向量机 | ||
predict.svmMLP | 线性规划支持向量机 | ||
preferenceLoss | 偏好损失的损失函数 | ||
print.roc.stat | 覆盖到打印类的对象的泛型方法roc.stat公司 | ||
quantileRegressionLoss | 执行回归的损失函数 | ||
rank.linear.weights | 线性模型的秩线性权重 | ||
roc.stat | ROC曲线绘制的统计计算 | ||
rocLoss | 二元分类的损失函数 | ||
rowmean | 基于分组变量的矩阵的列平均值 | ||
softMarginVectorLoss | 多类支持向量机的软边缘向量损失函数 | ||
softmaxLoss | softmax损失函数 | ||
svmLP | 线性规划支持向量机 | ||
svmMulticlassLP | 线性规划支持向量机 | ||
wolfe.linesearch | 沃尔夫线搜索 |