m0_71060858的博客

主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维技术，它通过线性变换将高维数据转换为低维数据，同时保留数据的主要特征。PCA的基本思想是找到数据中的主成分，即数据中最大方差的方向，然后将数据投影到这些主成分上，从而实现数据的降维。通过PCA，可以减少数据的维度，去除数据中的噪音和冗余信息，从而更好地理解和分析数据。PCA在数据分析、模式识别、特征提取等领域都有广泛的应用。

Logistic回归:是统计学习中的经典分类方法，属于，所以也被称为对数几率回归。虽然是叫做回归，但其实这是一种，Logistic回归是一种线性分类器，针对的是线性可分问题。

官话定义:1)P(cj)代表还没有训练模型之前，根据历史数据/经验估算cj拥有的初始概率。P(cj)常被称为cj的先验概率(prior probability) ，它反映了cj的概率分布，该分布独立于样本。假设要猜测西瓜的好坏问题，如何判断正反概率？根据自己以往购买西瓜的经验，好瓜的概率是p(好瓜)=0.6，坏瓜概率是p(坏瓜)=0.4 则可将p(好瓜)=0.6，p(坏瓜)=0.4作为，也就是观测新样本前就已知的先验分布p(y)。即根据以往经验和分析。

在划分数据集之前之后信息发生的变化称为信息增益.

在机器学习中，性能度量是评估和度量模型预测能力的重要指标。在进行实验时，可以使用以下几种常见的性能度量来评估模型的性能：1. 准确率（Accuracy）：准确率是最常用的性能度量指标，表示模型正确预测的样本数占总样本数的比例。准确率越高，模型的预测能力越好。2. 精确率（Precision）和召回率（Recall）：精确率和召回率是在二分类问题中常用的性能度量指标。精确率表示模型预测为正类的样本中真正为正类的比例，召回率表示真正为正类的样本中被模型预测为正类的比例。

（1）此次算法的实例还不够完整，还缺少数据分析（2）k算法的是优点：简单易懂不需要训练过程；缺点：样本不平衡的时候，对稀有类别的预测准确率低。

http://Anaconda.org的服务器在国外，安装多个packages时，conda下载的速度经常很慢。anaconda命令创建python版本为x.x，名字为test的虚拟环境。Windows: conda activate test(注意切换成功后前面的base改变成你虚拟环境的名字)(值得说一下的是,找一下刚刚安装时anaconda的安装路径,然后复制)安装的时候是用pip 安装， 卸载的时候也需要pip uninstall。相应用户的目录存在差异，但是后面的路径名称相同。