秋水顽石

分析朴素贝叶斯模型朴素贝叶斯模型它简单的假设了各个数据之间是无关的，是一个被严重简化了的模型。所以，对于这样一个简单模型，大部分场合都会Bias部分大于Variance部分，也就是说高偏差而低方差。方差与偏差上一节中我们已经介绍过以下公式： 这里的Err大概可以理解为模型的预测错误率，由两部分组成的，一部分是由于模型太简单而带来的估计不准确的部分（Bias）;另一部分是由于模型太复杂而带来的更大的

概念偏差：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据集。 （Ps:假设靶心是最适合给定数据的模型，离靶心越远，我们的预测就越糟糕）方差：描述的是预测值的变化范围，离散程度，也就是离其期望值的距离。方差越大，预测结果数据的分布越散。 基于偏差的误差：所谓基于偏差的误差是我们模型预期的预测与我们将要预测的真实值之间的差值。偏差是用来衡量我们的模型的预测同真实值的差

前言　　要想从本质上深入理解自然语言处理、机器学习以及深度学习等算法，就需要你有强硬的数学基础，从原理到实践，知根知底。在此，我们只是一个入门级，所以我们暂且掌握以下数学基础，就ok。概率论基础概率　　概率论是从随机试验中的事件到实数域的函数，用以表示事件发生的可能性。如果用P(A)作为事件A的概率，是实验的样本空间，则概率函数必须满足如下公理： 公理1： 公理2： 公理3：如果对任意的i和j

详细解释大数定理+中心极限定理（二）引言上一节我们已经讲了马尔科夫不等式，这节主要讲解切比雪夫不等式。切比雪夫不等式　　切比雪夫不等式是马尔科夫不等式的特殊情况，而且还有进一步的关系：这两个不等式的作者是师生关系。 　　马尔科夫不等式是以俄国数学家按安德雷.马尔科夫命名。而切比雪夫不等式是以马尔科夫的老师巴福尼提.列波维奇.切比雪夫命名的。2.1 切比雪夫不等式与直观感受切比雪夫不等式是这么

引言必须再次吐槽一下csdn，同样草稿的情况已经出现两次了，同样是在晚上，同样是连续写了两篇博文，同样是有一篇博文丢失了！！！我猜，被覆盖掉了吧。这样辛辛苦苦写的，一瞬间没有了。肉疼！　　因为在证明切比雪夫大数定理的时候会用到切比雪夫不等式，又因为切比雪夫不等式的基础是马尔科夫不等式，所以，本小节主要介绍马尔科夫不等式（切比雪夫不等式是马尔科夫不等式的特殊）。1.1 马尔科夫不等式与直观感受马尔科