nl的博客

：Maximum Likelihood Estimation，简称MLE； 要理解此概念首先要看下什么叫贝叶斯公式，如下： P(θ|D)=P(D|θ)P(θ)P(D)P(\theta |D)=\frac{P(D|\theta )P(\theta )}{P(D)} 我们把D看作是样本，θ\theta看作是这个样本所服从分布的参数，那么上式左侧P(θ|D)P(\theta |D)可理解

PCA—–主成分分析，通常用于降维！ 找到样本的主方向，怎么找到呢，主方向具有如下本质特征： 样本在主方向上投影的方差最大！ A为n个样本k个特征的矩阵，且已经进行中心话，即E=0; J(u)=Var(Au)=(Au−E)T(Au−E)=uTATAuJ(u)=Var(Au)=(Au-E)^{T}(Au-E)=u^{T}A^{T}Au，如果假设uu为单位化向量，即uTu=1u^{T}u=1即u