StriveZs'Blog

理解无偏估计量现实中常常有这样的问题，比如，想知道全体女性的身高均值 μ\muμ ，但是没有办法把每个女性都进行测量，只有抽样一些女性来对全体女性的身高进行估计.那么根据抽样数据怎么样进行推断？什么样的推断方法可以称为好。无偏性比如我们抽样到的女性身高为: x1,x2,…,xn{x_{1},x_{2},\dots,x_{n}}x1​,x2​,…,xn​，那么:X‾=x1+x2+⋯+xnn \overline{X}=\frac{x_{1}+x_{2}+\dots+x_{n}}{n} X=nx1​+x

KKT条件介绍KKT是非线性规划领域的重要成果，它是判断某点是极值点的必要条件。对于凸规划，KKT条件就是充要条件了，只要满足就是一定是极值点，且一定得到是全局最优解。问题模型“等式约束+不等式约束” 优化问题。设目标函数f(x)，不等式约束为g(x)和h(x)，此时的约束优化问题描述如下：min    f(x) min\:\:\:\:f(x) minf(x)s.t.     hj(x)=0      j=1,2,…,p s.t.\:\:\:\:\:h_{j}(x)=0\:\:\:\:\:\:j

高斯模糊/高斯滤波通常，图像处理软件会提供模糊滤镜，使图片产生模糊效果。模糊的算法有很多，其中有一种叫高斯模糊(Gaussian Blur)，它将正态分布用于图像处理。文本介绍了高斯模糊的算法，你会看到这是一个非常简单易懂的算法。本质上，它是一种数据平滑技术(data smoothing)，适用于多个场合，图像处理恰好提供了一个直观的应用实例。高斯模糊的原理所谓模糊，可以理解成每一个像素都取周边像素的平均值。上图中，2是中间点，周边点都是1.中间点取周围点的平均值之后，就会从2变成了1.

极大似然估计贝叶斯决策首先来看贝叶斯分类, 贝叶斯公式如下：其中 p(w) 为先验概率，表示每种类别分布的概率; p(x|w)为类条件概率, 表示在某种类别w的前提下, 某件事情x发生的概率; 而P(w|x) 为后验概率，表示某事x发生了，并且它属于某一类别w的概率，有了这个后验概率，我们就可以对样本进行分类。后验概率越大，说明某事物属于这个类别的可能性越大，我们越有理由把它x归到这个类别w下。这样我们就可以根绝p(w) p(x) p(x|w)来计算出p(w|x)从而得到x的类别划分.问题引出