Hello World

1、朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法，对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。该方法的实现比较简单，学习和预测的概率都很高，是一种常用的方法。 2、基本方法：设输入空间χ⊆Rn为n维向量的集合，输出空间为类标记集合γ={c_1,c_2,…,c_k}。输入为特征向量x∈χ，输出为类标记y∈γ，X为定义在输入空间χ上的随机向量，Y为定义在输出空间γ上的随机变量。训练数据集T={(.

1、k近邻法（k-nearest neighbor，k-NN）是一种基本分类与回归方法，该方法的输入是实例的特征向量，对应于特征空间的点，输出是实例的类别。刚开始给定一个训练数据集，其中的实例类别已定，分类时对新的实例会根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。 k近邻法不具有显式的学习过程，实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型”，k值的选择、距离度量以及分类决策规则是k近邻法的三个基本要素。 2、k近邻算法的定义：给定一个数据集，对新的输入实例，在训练数据集

1、感知机二类分类的线性分类模型，输入为实例的特征向量，输出为实例的类别，取+1和-1二值，感知机对应于输入空间中将实例划分为正负两类的分离超平面，属于判别模型。 感知机学习旨在求出将训练数据进行线性划分的分离超平面，为此导入基于误分类的损失函数，利用梯度下降法对损失函数进行极小化，求得感知机模型。 感知机学习算法具有简单、易于实现的优点，分为原始形式和对偶形式，感知机预测是用学习到的感知机模型对新的输入实例进行分类。 2、感知机：假设输入空间（特征空间）是X⊆R，输出空间Y={+1，-1}，输入x∈X表示

1、统计学习（statistical learning）也称为统计机器学习，是关于计算机基于数据构建概率统计模型并运用模型对数据进行分析预测的一门学科，主要特点有： 统计学习以计算机及网络为平台，建立在计算机及网络上； 统计学习以数据为研究对象，是数据驱动的学科； 统计学习的目的是对数据进行预测分析； 统计学习以方法为中心，构建模型并应用模型进行分析预测； 统计学习是概率论、统计学、信息论、计算理论、最优化理论及计算机科学等多个领域的交叉学科，并且在发展中逐步形成独自的理论体系与方法论； 2、统计学习的