左手coding，右手cooking

kmeans原理介绍kmeans算法的思路非常简单，就是不断计算各样本点和簇中心点之间的距离，直到收敛为止，其具体步骤如下：1.从数据中随机挑选K个样本点作为原始的簇中心；2.计算剩余样本与簇中心的距离，并把各样本标记为离K个簇中心最近的类别；3.重新计算各簇中样本点的均值，并以均值作为新的K各簇中心。4.不断重复2和3，直到簇中心的变化趋于稳定，形成最终的K个簇。也许上面的4个步骤还不足以让读者明白Kmeans的执行过程，可以结合下图更进一步地理解其背后的思想。如上图所示，通过9个子图对K

分类聚类量化投资

朴素贝叶斯简述 朴素贝叶斯是一种简单但是非常强大的线性分类器，它在垃圾邮件分类、疾病诊断中都已经取得了很大的成功，它之所以称为朴素，是因为它假设特征之间是互相独立的，但是在现实生活中，这种假设基本上是不成立的，那么即使是假设的不成立的条件下，它依然表现良好，尤其是在小规模样本的情况下，但是，如果每个特征之间有很强的关联性和非线性问题会导致贝叶斯模型很差的分类效果。贝叶斯公式为： p(y|x)=p