PRML中文版（马春鹏）勘误表

PRML中文版（马春鹏）勘误表

       本博客转自：http://www.cnblogs.com/milaohu/p/7041014.html

       PRML中文版（马春鹏）勘误表

前言：

PRML是严肃学习机器学习的首选教材。虽然内容略微陈旧，但是从写作水平来说，目前没有与之匹敌的其他读物。可惜我英语水平有限，原著读起来很容易疲劳，幸得网上流传的PRML中译版，整体流畅严谨，显然是译者在有相当理解的基础上翻译的。只是阅读的过程中偶有卡壳，结合英文版原著，发现有些小问题，这里都列出来，方便其他读者。根据我的阅读进度，本文会不定期更新。

 

位置：p11 (1.2)上面

原文： xn的预测值 y(xn,w)与目标值 tn的平方和

建议： xn的预测值 y(xn,w)与目标值 tn之差的平方和

 

位置：p21 (1.32)下面

原文：把每个实数变量除以区间的宽度△

建议：把每个实数变量划分为宽度为△的区间

 

位置：p23 中间

原文：袁术数据集

建议：原始数据集

 

位置：p23 (1.60) 式

说明：公式抄写有误，右括号位置不对。请参考原作

 

位置：p29倒数第二段

原文：如果验证机很小

建议：如果验证集很小

 

位置：p32 下半部分

原文：然后把方向变量积分出来

建议：然后把方向变量积分掉

说明：当时阅读这行没看懂，后来看原文是"integrate out"。这里意思是，二重积分中有两个变量，先将方向变量通过积分可以消去，只剩下半径，变成一重积分。

 

位置：p33 最后一行

原文：通过贝叶斯定理修改

建议：通过贝叶斯定理校正

说明：revised翻译为修改，不是太好理解。当然，我建议的翻译未必更好。所以看不懂的地方看看原文吧。

 

位置：p52 中间

原文：多项式分布

建议：多项分布

说明：Multinomial和多项式没关系，译文中出现过“多元分布”和“多项式分布”两种提法，建议统一改成“多项分布”

 

位置：p56 (2.24)式下方

原文：由于这个方差是一个整数

建议：由于这个方差是一个正数

 

位置：p61 (2.54)式

原文：公式抄写有误， |J2|应为 |J|2。读者可参考原文

 

位置：p61 (2.54)式下方

原文：行列式 |Σ|的协方差矩阵可以写成特征值的乘积

建议：协方差矩阵的行列式 |Σ|可以写成特征值的乘积

 

位置：p62 (2.60)式上方

原文：项 μμT是常数，可以从积分中拿出。它本⾝等于单位矩阵，因为⾼斯分布是归⼀化的。

建议：项 μμT是常数，可以从积分中拿出，此时积分为1，因为⾼斯分布是归⼀化的。

 

位置：p64 (2.70)式下方

原文：“完成平方项“

建议：“配平方”

原文：我们一直一个二次型

建议：我们已知一个二次型

 

位置：p64 (2.73)式下方

原文：现在考虑公式（2.70）中所有 xa的常数项

建议：现在考虑公式（2.70）中所有 xa的一阶项

 

位置：p70 (2.127)式下方

原文：如果我们有观测z和 θ的一个大数据集

建议：如果我们有一个包含z和 θ观测值的大数据集。

 

位置：p76 (2.159)式上方

原文： p(x|μa,b)

建议： p(x|μ,a,b)

 

位置：p78 (2.168)式上方

原文：然后令分量 x1和 x2相等

建议：然后算出分量 x1和 x2

 

位置：p78 (2.170)式上方

原文：感召惯例

建议：按照惯例

 

位置：p84 (2.205)式下方

原文：其中 μk=ln⁡μk

建议：其中 ηk=ln⁡μk

 

位置：p85 (2.211)式

说明：公式最后一行漏了个 μj，请参看原版。

 

位置：p85 (2.212)式下方

原文：回带

建议：回代

 

位置：p85 (2.214)式

说明：式中的 exp⁡(μk)应为 exp⁡(ηk)

 

位置：p85 (2.217)式

说明：最右边的 exp⁡(μTx)应为 exp⁡(ηTx)

 

位置：p86 (2.224)上方

原文：对 μ取梯度

建议：对 η取梯度

 

位置：p86 (2.224)式

说明： ηTμ(x)应为 ηTu(x)

 

位置：p86 (2.228)式下方

原文：那么公式(2.228)的右侧变成了 [u(x)]

建议：那么公式(2.228)的右侧变成了 E[u(x)]

 

位置：p89 中间

原文：流入，如果生成数据的过程是单峰的

建议：例如，如果生成数据的过程是单峰的

 

位置：p91 (2.250)式下方

原文：令每个数据点都服从高斯分布

建议：将高斯函数应用到每个数据点

 

位置：p91 (2.251)式上方

原文：对于箱子狂赌的选择

建议：对于箱子宽度的选择

 

位置：p104 (3.21)式上方

原文：我们也可以关于噪声精度参数

建议：我们也可以针对噪声精度参数

 

位置：p107 (3.31)式下方

原文：是一个M为向量

建议：是一个M维向量

 

位置：p107 最后一行

原文：我们值考虑

建议：我们只考虑

 

位置：p113 (3.57)式下方

原文： p(t|w,w,β)

建议： p(t|w,β)

 

位置：p118 (3.66)式下面

原文：先验分布让我们能够表达不同模型之间的优先级

建议：先验分布让我们能够表达对不同模型之间的偏好

原文：它表达了数据展现出的不同模型的优先级

建议：它表达了数据展现出的对不同模型的偏好

 

位置：p121 (3.74)式上面

原文：或者被称为推广的最大似然

建议：或者被称为广义最大似然

 

位置：p136 (4.24)式上面

原文：一位空间

建议：一维空间

 

位置：p136 (4.27)式

公式抄错

 

位置：p138 (4.41)式

公式抄错

 

位置：p139 (4.54)式下方

原文：其中 ϕn=ϕ(xn)和 M表示所有误分类模式的集合。

建议：其中 ϕn=ϕ(xn)，且 M表示所有误分类模式的集合。

 

位置：p147 中央

原文：另一种方法是显示地使用一般的线性模型的函数形式

建议：另一种方法是显式地使用一般的线性模型的函数形式

 

位置：p147 中央

原文：在直接方法中

建议：而直接方法是

说明：本段分为两部分，分别介绍直接方法和间接方法。使用这种表达会清楚一些。

 

位置：p168 上方

原文：这就使得误差函数在权空间的某些方向上是常数

建议：这就使得误差函数在权空间的某些方向上不变

 

位置：p168 上方

原文：对应的多分类交叉熵错误函数

建议：对应的多分类交叉熵误差函数

 

位置：p169 (5.31)式上方

原文：根据公式(5.18)

建议：根据公式(5.28)

 

位置：p198 (5.161)上方

原文：精度（方差的倒数）β为

建议：精度（方差的倒数）为β