妖白的奇幻漂流世界

似然函数、最大似然估计简单理解 摘抄自维基百科：https://zh.wikipedia.org/wiki/%E4%BC%BC%E7%84%B6%E5%87%BD%E6%95%B0https://zh.wikipedia.org/wiki/%E6%9C%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1 似然函

转载：https://blog.youkuaiyun.com/dbj2009/article/details/48949871 向量随机变量X的数学期望也是一个向量，其各分量是原X的各个分量的数学期望。如果f(x)是d维随机变量X的n维向量函数                                                                                    ...

https://blog.youkuaiyun.com/walilk/article/details/50978864引言　机器学习栏目记录我在学习Machine Learning过程的一些心得笔记，涵盖线性回归、逻辑回归、Softmax回归、神经网络和SVM等等，主要学习资料来自网上的免费课程和一些经典书籍，免费课程例如Standford Andrew Ng老师在Coursera的教程以及UFLDL Tut...

先不慌，我们要搞清楚正定与半正定先熟悉几个基本的概念一：矩阵的基最简单的理解就是：线性变换就是线性映射，矩阵只不过是线性映射的系数而已。所以，选定基底实际是选定坐标轴（不一定正交）。我们平时不太关心坐标轴，是因为所有地方都用同一个坐标系x-y-z。很多时候，合适的坐标系会简化问题。这就像描述一个物体的运动，你需要选取参考系，参考系不同，描述方式也不同。在不同的基下，同一个线性变换就有不同的矩阵表示...

为了简化下面的高斯分布都是按照零均值写的一元高斯的标准形式： 多元高斯的标准形式： 下面推导为什么一般的多元高斯具有形式： 核心观点：所有的非奇异的多元高斯分布都是以多元标准高斯分布为基础，通过非奇异矩阵 进行坐标变换而来的假设对于一般的多元高斯分布 有 那么因此 这样应该就可以理解公式里面为什么会有协方差矩阵了代码示例import numpy as npimport matplotlib....