ginger188的专栏

朴素贝叶斯算法实现简单，学习和预测的效率均很高，是一种非常常用的方法。1 贝叶斯算法贝叶斯算法指通过学习数据的先验概率P(Y)P(Y)和类条件概率P(X=x|Y=ck)P(X=x|Y=c_k)分布，通过贝叶斯定理计算出后验概率P(Y=ck|X=x)P(Y=c_k|X=x)。因为在实际中，我们往往比较容易得到前两者，通过(1)式我们便可以得到我们实际希望得到的样本在满足x的条件下，属于ckc_k这个类

First of all,最近打算系统的学习一遍《统计学习方法》这本书，把里面提到的概念和公式都好好学习和推导一遍.因此今后的一系列文章将会记录一些我在阅读本书时的一些心得体会.统计学习作为数据挖掘的手段,其目的就是通过对已知数据的学习,对未知的数据进行预测.第一章中主要介绍了一些基本的概念如监督学习\非监督学习,损失函数的定义,过拟合与欠拟合,回归和分类任务等基本的概念在此我就不细说了,下面重点

1 k近邻算法k近邻算法是一种基本的分类算法，它的思想非常的简单直观，即一个样本的类别应该和训练数据集中和它距离最近的k个样本中多数样本所属的类别相同，因此，k近邻法分类时没有显式的学习过程。k近邻法的模型实际是一种对特征空间的划分，模型由距离度量、k值的选择和决策规则决定，对于决策规则，我们一般使用多数表决的原则，因此模型的表现主要由距离度量和k值决定。1.1 距离度量特征空间中两点间的距离可以看

为什么协方差矩阵的秩不大于n-1？为什么BN层计算的时候不用协方差？