qq_53983845的博客

不是认识的人，有垃圾关键词，就是垃圾邮件，没有垃圾关键词，就不是垃圾邮件。如果来了一个新的邮件，按照决策树走一趟，走到叶节点，就可以判断是否是垃圾邮件。这种情况很可能遇到问题，假如没有垃圾关键词的邮件中，有垃圾邮件，这时只能添加其他特征。例如：判断红点是A类还是B类，当邻居数量是3时，有1个A类，2个B类，判断红点是B类；当邻居K=6时，有4个A类，2个B类，判断红点是A类。一般是基于数学，或者统计学的方法，具有很强的可解释性，但准确率不是百分百，且不灵活。朴素贝叶斯的后验，通过结果来推断前面选择。

定义一个合适的损失函数（loss函数），用来衡量定义的函数f'和真实函数f之间的差值有多大。即L=(1.9+2.9+4.1+5.3+6.2+6.5) / 6 = 4.48 ，这个Loss值就衡量了w0=3，b0=2这组数字选的好不好，显然数字太大了，选取的不好。值得注意的是：这样的线性公式只能画出一条直线，即它没办法只画一条直线，把下图的三角形和正方形分开，而它又无法画出下图的圈。x通过函数f映射到y。有的时候需要多个模态（模态：例如有图有数据的任务）的数据，比如图片，文字，声音都是不同的模态。

假设做手写数字辨识，现在有一张图片和对应的标签。让图片通过神经网络后，得到一个输出y。计算y和之间的Cross Entropy，然后用梯度下降算法不断地调整参数，使得Cross Entropy越来越小。在整个数据集中，我们有很多样本，通过神经网络可以得到一个预测值y输出，我们把所有的预测值和真实标签之间的Cross Entropy加起来，得到一个总loss值。然后，我们在函数集中找到一个使得总loss最小的函数。

如果全等的传输信息，即从外界获取到5个信息，经过神经元的传输后，大脑也接收到5个信息，那么串联的神经元似乎只有传递的作用，，那么一根和多根似乎没有区别了。对于AI，也是这样的。我们都知道，人的神经元不是只有一条的，是有多条的，也就是说，多条神经元接收到相同的外部信息，再把信息传输给大脑，让大脑做出决断。但是，这与神经网络图的表示方式是一模一样的，只不过，换成了矩阵的形式。从图中，我们可以清楚的看到预测函数和真实函数是贴着的，也就是说，当真实函数是线性函数时，即使模型没有激活函数，它也能够准确的预测。