abcd_d_的专栏

设（x1, y1), (x2,y2), ...(xk,yk)为输入样本，注意这里的xi本身是一个向量。假设拟合多项式为：则通过使用下面的最小平方差拟合方法：可得：拟合过程变成求上式的最小值，相信学过高数的童鞋应该都知道怎么求，对的以此对系数a0,a1....求偏导数，使其为零，最后可得K+1组方程：.......................

这两天学习了一个相对比较简单但是十分实用的分类算法——贝叶斯分类算法，与我做项目使用的svm算法相比确实有很多精妙之处，。好比撒尿牛丸——好吃又好玩，而贝叶斯分类器则是简单又强大。本文结合简单天气预报进行讲解。贝叶斯定理：贝叶斯定理是概率论里面一个计算条件概率的法器！为什么是法器，且看后文。先摆出计算公式：也许乍一看这公式没什么，但是我们先将公式移项得：P(A|B)P(B)=P

最近在学习的时候，经常看到使用Trie树数据结构来解决问题，比如“ 有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，内存限制大小是1M。返回频数最高的100个词。” 该如何解决？ 有一种方案就是使用Trie树加 排序实现 。什么是Trie 树呢？也就是常说的字典树，网上对此讲得也很多，简单补充一下个人理解： 它实际上相当于把单词的公共部分给拎出来，这样一层一层往上拎直

看了该作者的文章，瞬间膜拜了！讲得太好了！转自：http://www.blogjava.net/zhenandaci/category/31868.html（一）SVM的简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机