zlp_zky的博客

说起贝叶斯定理，不得不说条件概率，所谓“条件概率”（Conditional probability），指在事件B发生的情况下，事件A发生的概率，用P(A|B)来表示。条件概率计算公式为P(A|B) = P(AB)/P(B)。     条件概率公式是一个定义公式，或者说是公理化的，不好证明和推导。只能通过逻辑来理解了，AB都发生的概率可以理解成B发生的概率乘以B发生的情况下A发生的概率，也即P

支持向量机通俗导论（理解SVM的三层境界） 作者：July 。致谢：pluskid、白石、JerryLead。 说明：本文最初写于2012年6月，而后不断反反复复修改&优化，修改次数达上百次，最后修改于2016年11月。 声明：本文于2012年便早已附上所有参考链接，并注明是篇“学习笔记”，且写明具体参考了pluskid等人的文章。文末

一. 关于boosting算法的起源 boost 算法系列的起源来自于PAC Learnability（直译过来称为：PAC 可学习性）。这套理论主要研究的是什么时候一个问题是可被学习的。 我们知道，可计算性在计算理论中已经有定义，而可学习性正是PAC Learnability理论所要定义的内容。另外，在计算理论中还有很大一部分精力花在研究问题是可计算的时候，其复杂度又是什么样的。因此

最大似然估计 MLE 给定一堆数据，假如我们知道它是从某一种分布中随机取出来的，可是我们并不知道这个分布具体的参，即“模型已定，参数未知”。 例如，对于线性回归，我们假定样本是服从正态分布，但是不知道均值和方差；或者对于逻辑回归，我们假定样本是服从二项分布，但是不知道均值，逻辑回归公式得到的是因变量y的概率P = g(x), x为自变量，通过逻辑函数得到一个概率值，y对应离散值为0或者

刷比赛利器，感谢分享的人。   摘要   最近打各种比赛，在这里分享一些General Model，稍微改改就能用的 环境： python 3.5.2 XGBoost调参大全： http://blog.youkuaiyun.com/han_xiaoyang/article/details/52665396  XGBoost 官方API： http://xgboost.readthedocs.io...