Translated using Weblate (Chinese (Simplified Han script)) (#403)

Currently translated at 100.0% (595 of 595 strings)

Translation: JASP/jaspMachineLearning-QML
Translate-URL: https://hosted.weblate.org/projects/jasp/jaspmachinelearning-qml/zh_Hans/

Co-authored-by: Shun Wang <[email protected]>

Author: weblate

po/QML-zh_Hans.po

@@ -1,9 +1,15 @@
 msgid ""
 msgstr ""
+"PO-Revision-Date: 2025-01-04 03:23+0000\n"
+"Last-Translator: Shun Wang <[email protected]>\n"
+"Language-Team: Chinese (Simplified Han script) <https://hosted.weblate.org/"
+"projects/jasp/jaspmachinelearning-qml/zh_Hans/>\n"
+"Language: zh_Hans\n"
 "MIME-Version: 1.0\n"
 "Content-Type: text/plain; charset=UTF-8\n"
 "Content-Transfer-Encoding: 8bit\n"
 "Plural-Forms: nplurals=1; plural=0;\n"
+"X-Generator: Weblate 5.10-dev\n"
 "X-Language: zh_Hans\n"
 "X-Qt-Contexts: true\n"
 
@@ -2222,7 +2228,7 @@ msgid ""
 msgstr ""
 "提升法的工作原理是依次向决策树集合中添加树，每颗树尝试拟合模型的残差来修正模"
 "型。\n"
-"###假设\n"
+"### 假设\n"
 "目标变量是名义变量或有序变量。\n"
 "特征包括连续变量、名义变量或有序变量。"
 
@@ -2237,7 +2243,7 @@ msgid ""
 "- The feature variables consist of continuous, nominal, or ordinal variables."
 msgstr ""
 "决策树是一种有监督的学习算法，使用决策树作为预测模型。\n"
-"###假设\n"
+"### 假设\n"
 "目标是一个名义变量或有序变量。\n"
 "特征变量包括连续变量、名义变量或有序变量。"
 
@@ -2253,9 +2259,9 @@ msgid ""
 "- The feature variables consist of continuous, nominal, or ordinal variables."
 msgstr ""
 "K最近邻是一种分类方法，它通过查看与新观测值最相似的*k*个特征观测值来预测其类"
-"别分配。近邻的数量与模型的复杂性有内在联系，因为数量越少，模型的灵活性就越"
-"大。\n"
-"###假设\n"
+"别分配。近邻的数量与模型的复杂性有内在联系，因为数量越少，模型的灵活性就越大"
+"。\n"
+"### 假设\n"
 "目标是一个名义变量或有序变量。\n"
 "特征变量包括连续变量、名义变量或有序变量。"
 
@@ -2279,12 +2285,12 @@ msgstr ""
 "线性判别分析（LDA）是一种分类方法，其目的是找到*p-1*个分量，这些分量对目标变"
 "量中的类别区分效果最佳。LDA是一种线性分类器，这意味着类与类之间的决策边界是线"
 "性的。\n"
-"###假设\n"
-"-目标变量是一个名义变量或序数变量。\n"
-"-特征变量由连续、名义或有序变量组成。\n"
-"-类均值相等：类均值应该相等，可以用相应的表格检查。\n"
-"-协方差矩阵相等：协方差矩阵应该相等，可以用对应表进行检查。\n"
-"-多重共线性：类之间不应该有相关性，可以用对应表进行检查。"
+"### 假设\n"
+"- 目标变量是一个名义变量或序数变量。\n"
+"- 特征变量由连续、名义或有序变量组成。\n"
+"- 类均值相等：类均值应该相等，可以用相应的表格检查。\n"
+"- 协方差矩阵相等：协方差矩阵应该相等，可以用对应表进行检查。\n"
+"- 多重共线性：类之间不应该有相关性，可以用对应表进行检查。"
 
 msgctxt "mlClassificationLda|"
 msgid "Multivariate normality"
@@ -2307,9 +2313,9 @@ msgstr ""
 "收信号后进行处理，并向与其相连的神经元发送信号。节点上的信号是实数，通过激活"
 "函数发送信号，计算出该节点的输出。网络中的层数和节点数与模型的复杂性有内在联"
 "系，因为层数和节点数越多，模型的灵活性就越大。\n"
-"###假设\n"
-"-目标变量是名义或有序变量\n"
-"-特征变量由连续变量组成。"
+"### 假设\n"
+"- 目标变量是名义或有序变量\n"
+"- 特征变量由连续变量组成。"
 
 msgctxt "mlClassificationRandomForest|"
 msgid ""
@@ -2322,11 +2328,11 @@ msgid ""
 "- The target variable is a nominal or ordinal variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
 msgstr ""
-"随机森林是一种分类方法，它由大量的单个决策树组成，这些决策树作为一个整体运"
-"行。\n"
-"###假设\n"
-"-目标变量是名义或有序变量。\n"
-"-特征变量由连续、名义或有序变量组成。"
+"随机森林是一种分类方法，它由大量的单个决策树组成，这些决策树作为一个整体运行"
+"。\n"
+"### 假设\n"
+"- 目标变量是名义或有序变量。\n"
+"- 特征变量由连续、名义或有序变量组成。"
 
 msgctxt "mlClassificationSvm|"
 msgid ""
@@ -2342,9 +2348,9 @@ msgstr ""
 "支持向量机是一种有监督的学习算法，它将训练实例映射到空间中的点上，从而最大化"
 "两个类别之间的间隔。然后，新的实例会被映射到相同的空间中，并根据它们属于间隔"
 "的哪一边来预测属于哪个类别。\n"
-"###假设\n"
+"### 假设\n"
 "- 目标变量是连续变量\n"
-"-特征变量由连续、名义或有序变量组成。"
+"- 特征变量由连续、名义或有序变量组成。"
 
 msgctxt "mlClusteringDensityBased|"
 msgid ""
@@ -2367,9 +2373,9 @@ msgstr ""
 "量的点，从而使该邻域的密度超过某个阈值。基于密度的聚类由密度高于簇外的点来识"
 "别。所有高密度点的集合称为密集区域集。未超过密度水平的点被识别为离群点。密度"
 "水平会影响生成簇的数量。\n"
-"###假设\n"
-"-数据由连续变量组成。\n"
-"-正态分布的数据有助于聚类过程。"
+"### 假设\n"
+"- 数据由连续变量组成。\n"
+"- 正态分布的数据有助于聚类过程。"
 
 msgctxt "mlClusteringFuzzyCMeans|"
 msgid ""
@@ -2384,11 +2390,11 @@ msgid ""
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
 "模糊c-均值聚类是一种软分区方法，其输出结果包含每个观测值与每个簇的关联程度。"
-"这样，数据观测值就有可能被部分分配到多个聚类中，并给出聚类成员资格的置信度”。"
-"模糊c-均值的方法与k-均值方法非常相似，只是它采用的是软方法。\n"
-"###假设\n"
-"-数据由连续变量组成。\n"
-"-正态分布的数据有助于聚类过程。"
+"这样，数据观测值就有可能被部分分配到多个聚类中，并给出聚类成员资格的置信度"
+"”。模糊c-均值的方法与k-均值方法非常相似，只是它采用的是软方法。\n"
+"### 假设\n"
+"- 数据由连续变量组成。\n"
+"- 正态分布的数据有助于聚类过程。"
 
 msgctxt "mlClusteringHierarchical|"
 msgid ""
@@ -2404,9 +2410,9 @@ msgstr ""
 "层次聚类是一种硬分区算法，其目的是将数据划分为若干个簇，其中每个观测值只属于"
 "一个簇。数据的划分方式是，如果两个数据观测值属于同一簇，则它们之间的相似度最"
 "大；如果不属于同一簇，则它们之间的相似度最小。\n"
-"###假设\n"
-"-数据由连续变量组成。\n"
-"-正态分布的数据有助于聚类过程。"
+"### 假设\n"
+"- 数据由连续变量组成。\n"
+"- 正态分布的数据有助于聚类过程。"
 
 msgctxt "mlClusteringKMeans|"
 msgid ""
@@ -2422,9 +2428,9 @@ msgstr ""
 "基于近邻的聚类方法是一套硬分区算法，其目的是将数据划分为若干个簇，其中每个观"
 "测值只属于一个簇。数据的划分方式是，如果两个数据观测值属于同一簇，则它们之间"
 "的相似程度最大；如果不属于同一簇，则它们之间的相似程度最小。\n"
-"###假设\n"
-"-数据由连续变量组成。\n"
-"-正态分布的数据有助于聚类过程。"
+"### 假设\n"
+"- 数据由连续变量组成。\n"
+"- 正态分布的数据有助于聚类过程。"
 
 msgctxt "mlClusteringRandomForest|"
 msgid ""
@@ -2443,9 +2449,9 @@ msgstr ""
 "于一个簇。这种方法以无监督方式使用随机森林算法，目标变量y设置为空。随机森林算"
 "法会生成一个邻近度矩阵，该矩阵会根据观测出现在同一个叶节点的频率来估算观测之"
 "间的距离。\n"
-"###假设\n"
-"-数据由连续变量组成。\n"
-"-正态分布数据有助于聚类过程。"
+"### 假设\n"
+"- 数据由连续变量组成。\n"
+"- 正态分布数据有助于聚类过程。"
 
 msgctxt "mlPrediction|"
 msgid "Cases"
@@ -2471,8 +2477,8 @@ msgstr ""
 "提升法的工作原理是将特征依次添加到决策树集合中，每一个模型都会对前一个模型进"
 "行修正。提升法试图使新模型与前一个模型的残余误差相匹配。\n"
 "### 假设\n"
-"-目标变量是连续变量。\n"
-"-特征变量由连续、名义或有序变量组成。"
+"- 目标变量是连续变量。\n"
+"- 特征变量由连续、名义或有序变量组成。"
 
 msgctxt "mlRegressionBoosting|"
 msgid "The loss function used."
@@ -2490,9 +2496,9 @@ msgid ""
 msgstr ""
 "决策树是一种监督学习算法，它使用决策树作为预测模型，从对项的观察（以树根为代"
 "表）到对项的目标值的结论（以树的端点为代表）。\n"
-"###假设\n"
-"-目标变量是连续变量。\n"
-"-特征变量由连续、名义或有序变量组成。"
+"### 假设\n"
+"- 目标变量是连续变量。\n"
+"- 特征变量由连续、名义或有序变量组成。"
 
 msgctxt "mlRegressionKnn|"
 msgid ""
@@ -2505,11 +2511,12 @@ msgid ""
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
 msgstr ""
-"K 最近邻是一种回归方法，它考察与新观测最相似的*k*个观测值，从而预测它们的值。"
-"最近邻的数量与模型的复杂性有内在联系，小的最近邻数量会增加模型的灵活性。\n"
-"###假设\n"
-"-目标变量是连续变量。\n"
-"-特征变量由连续、名义或序数变量组成。"
+"K "
+"最近邻是一种回归方法，它考察与新观测最相似的*k*个观测值，从而预测它们的值。最"
+"近邻的数量与模型的复杂性有内在联系，小的最近邻数量会增加模型的灵活性。\n"
+"### 假设\n"
+"- 目标变量是连续变量。\n"
+"- 特征变量由连续、名义或序数变量组成。"
 
 msgctxt "mlRegressionLinear|"
 msgid ""
@@ -2552,9 +2559,9 @@ msgstr ""
 "收信号后进行处理，并向与其相连的神经元发送信号。节点上的信号是实数，通过激活"
 "函数发送信号，计算出该节点的输出。网络中的层数和节点数与模型的复杂性有内在联"
 "系，因为层数和节点数越多，模型的灵活性就越大。\n"
-"###假设\n"
-"-目标变量是连续变量\n"
-"-特征变量由连续变量组成。"
+"### 假设\n"
+"- 目标变量是连续变量\n"
+"- 特征变量由连续变量组成。"
 
 msgctxt "mlRegressionRandomForest|"
 msgid ""
@@ -2565,11 +2572,11 @@ msgid ""
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
 msgstr ""
-"随机森林是一种回归方法，它由大量的单个决策树组成，这些决策树作为一个整体运"
-"行。\n"
-"###假设\n"
-"-目标变量是连续变量。\n"
-"-特征变量由连续、名义或有序变量组成。"
+"随机森林是一种回归方法，它由大量的单个决策树组成，这些决策树作为一个整体运行"
+"。\n"
+"### 假设\n"
+"- 目标变量是连续变量。\n"
+"- 特征变量由连续、名义或有序变量组成。"
 
 msgctxt "mlRegressionRegularized|"
 msgid ""
@@ -2581,11 +2588,11 @@ msgid ""
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
 msgstr ""
-"正则化线性回归是对线性回归的一种调整，将系数缩减为0。参数λ控制参数缩小的程"
-"度。\n"
+"正则化线性回归是对线性回归的一种调整，将系数缩减为0。参数λ控制参数缩小的程度"
+"。\n"
 "###假设\n"
-"-目标变量是连续变量。\n"
-"-特征变量由连续、名义或序数变量组成。"
+"- 目标变量是连续变量。\n"
+"- 特征变量由连续、名义或序数变量组成。"
 
 msgctxt "mlRegressionSvm|"
 msgid ""
@@ -2601,9 +2608,9 @@ msgstr ""
 "支持向量机是一种有监督的学习算法，它将训练实例映射到空间中的点上，从而最大化"
 "两个类别之间的间隔。然后，新的实例会被映射到相同的空间中，并根据它们属于间隔"
 "的哪一边来预测属于哪个类别。\n"
-"###假设\n"
+"### 假设\n"
 "- 目标变量是连续变量\n"
-"-特征变量由连续、名义或有序变量组成"
+"- 特征变量由连续、名义或有序变量组成"
 
 msgctxt "Description|"
 msgid "Naive Bayes"
@@ -2712,10 +2719,10 @@ msgid ""
 "- The features are normally distributed given the target class."
 msgstr ""
 "朴素贝叶斯使用贝叶斯规则计算目标变量给定独立自变量情况下的条件后验概率。\n"
-"###假设\n"
-"-目标变量是名义变量或有序变量\n"
-"-特征是独立的\n"
-"-特征在目标类下是正态分布的。"
+"### 假设\n"
+"- 目标变量是名义变量或有序变量\n"
+"- 特征是独立的\n"
+"- 特征在目标类下是正态分布的。"
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Tables"