2.1常用算法（易考推导---原理，推倒，重点）--机器学习

1. 朴素贝叶斯：准备（选择特征并预处理），训练（根据样本类别及特征数据进行概率估计），应用（输入样本，输出类别）
前提：假设特征间相互独立且同样重要，最终求Max（P1，P2，P3… …Pn）–>p(y1|x)= p(x|y1)*p(y1) / p(x)
重点：
0概率问题：加入拉普拉斯平滑，对于有0样本的类，每个特征值的样本数量+1，再计算概率。
下溢问题：取对数，使得概率连乘转累加；
异常值/缺失值不敏感，且异常值会保持算法精度（降噪会降低泛化能力）
连续型：离散化（不好）；假设其满足某种概率分布，如高斯等，利用高斯代替。
常用模型：高斯，多项式，伯努利，高偏差，低方差
2. 线性/逻辑回归：逻辑回归是基于线性回归（广义），引入逻辑函数（sigmoid）使预测结果映射到（0-1）空间
推导：逻辑–损失函数（最大似然估计）并求导，梯度下降法求参；线性–损失函数（均方误差），最小二乘法或梯度下降求参。
重点&#