| 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 |