huizxhhui1994的博客

谈谈我的理解，不当之处欢迎大家指正：这一系列算法都可以是基于接收数据来对目标数据进行估计，1。LS用于接收到的数据块长度一定，并且数据、噪声（干扰）的统计特性未知或者非平稳的情况，其优化目标是使得基于该数据块的估计与目标数据块间加权的欧几里德距离最小，当有多个数据块可用时，可用其递归算法RLS减小计算量；2。MMSE的优化目标是为了使基于接收数据的估计值和目标数据的均方误差最小

什么是MCMC，什么时候使用它MCMC只是一种从分布中抽样的算法。这个术语代表“马尔可夫链蒙特卡罗”，因为它是一种使用了“马尔可夫链”的“蒙特卡罗”（即随机）方法。MCMC只是一种蒙特卡罗方法。为什么我要从分布抽样呢?从分布抽样是解决一些问题的最简单的方法。也许在贝叶斯推断中最常见的方式是使用MCMC来从某些模型的后验概率分布中抽取样本。有了这些示例，你就可以问这样

1、dict 特性dict用花括号｛｝表示，然后按照 key: value, 写出来即可。最后一个 key: value 的逗号可以省略。①、dict 的查找速度快，无论dict有10个元素还是10万个元素，查找速度都一样。而list的查找速度随着元素增加而逐渐下降。       dict的缺点是占用内存大，还会浪费很多内容，list正好相反，占用内存小，但是查

自己对于重写（override）与重载（overload）的小理解。一、重写（override）override是重写（覆盖）了一个方法，以实现不同的功能。一般是用于子类在继承父类时，重写（重新实现）父类中的方法。重写（覆盖）的规则：   1、重写方法的参数列表必须完全与被重写的方法的相同,否则不能称其为重写而是重载。   2、重写方法的访问

对于数据挖掘与分析，我们可以使用Numpy，Matplotlib以及更强大的Pandas。而Scipy（会在接下来的帖子中提及）当然是另一个主要的也十分出色的科学计算库，但是我认为前三者才是真正的Python科学计算的支柱。所以，不需要太多精力，让我们马上开始Python科学计算系列的第三帖——Pandas。如果你还没有查看其他帖子，不要忘了去看一下哦！导入Pandas我们

LR 与SVM不同1.logistic regression适合需要得到一个分类概率的场景，SVM则没有分类概率2.LR其实同样可以使用kernel，但是LR没有support vector在计算复杂度上会高出很多。如果样本量很大并且需要的是一个复杂模型，那么建议SVM3. 如果样本比较少，模型又比较复杂。那么建议svm，它有一套比较好的解构风险最小化理论的保障