田sir的超大芝士矩阵

小编去年数学建模比赛的时候真的理解不了主成分分析中的“主成分”的概念！！但是，时隔两年，在机器学习领域我又行了，终于搞明白了！且看正文！再分享一个今天听到的播客中非常触动我的一句话吧：“人生也许没有诗和远方，你脚下的苟且就是你没有发现的诗和远方。”来自钱婧老师的新书《我有自己的宇宙》

（即所有样本点构成的集合），值域需要根据具体题目去确定。随机变量将随机随机事件数字化，使得每一个样本点都有一个实值对应，同时样本空间里的每个事件都有一个数确定。那为什么要引入这个随机变量呢？因为样本点（即我们看到的现象）是很难描述的，所以通过将样本点定量化，使得我们一看样本点的取值就知道实际对应情况且方便我们进一步进行统计分析。在我们的栗子里我们可以规定白雪公主每次可以取三个苹果，随机变量的取值对应取到的红苹果的数目。比如取到{红苹果，绿苹果，绿苹果}则有随机变量X=1；

我们先不看课本上那一长串的符号描述，我们来看国家统计局分层抽样（stratified sampling）也称类型抽样，它首先将要研究的总体按某种特征或某种规则划分为不同的层（组），然后按照等比例或最优比例的方式从每一层（组）中独立、随机地抽取个体，最后将各层的样本结合起来对总体的目标量进行估计。分层、抽样、估计。那我们就按照这个顺序来展开这项工作。

在对于数据的分类中，我们在上一篇文章中详细讲解了朴素贝叶斯分类器这一模型，朴素贝叶斯是一种典型的生成模型；与之相对的是判别模型，那我们继续来阐述一下判别模型分类的主要思想。，以简化问题或获得更有效的特征，比如可以对特征进行降维，或者通过特征交叉等方式构造新的特征，对于生成模型原始数据再处理就很难识别概率分布函数。，常见的判别规则分为两类：确定性的判别规则，统计性（又称概率性）的判别规则。相比于生成模型，判别模型。判断一个模型是生成模型还是判别模型的唯一标准就是该模型学习的是联合概率分布还是条件概率分布，

小编在本科期间参加了大部分的比赛，诸如数学建模、正大杯、互联网+等，大部分比赛中对于统计学科的知识都有一定的要求。大部分统计的科目都相对枯燥难懂，北大复旦教材入门都较为困难，很幸运小编的一些授课老师较为负责耐心，一些科目讲的深入浅出，让我受益很多。所以想要把一些关键适用的科目原理及框架搭建起来和大家分享。