神经网络（一）：GRNN广义回归神经网络理论概念笔记

GRNN广义回归神经网络以及相关概念

https://blog.csdn.net/zengxiantao1994/article/details/72787849
https://blog.csdn.net/guoyunlei/article/details/76101899参考博客
小小白入坑系列，欢迎大佬的指教!

算法网上铺天盖地的，我只是把自己对算法的理解和学习经验发到了这个帖子里面

把GRNN和RBF做一个对比，就会发现有以下区别：

1. 在实现上面，GRNN仅与RBF的输出层不同
2. 都对非线性数据具有很好的拟合效果
3. 在实际拟合过程中，数据比较优秀的时候，RBF的效果很好，不过在数据精准度比较差的时候，GRNN有很大优势，因为GRNN用的非参数估计进行后续的概率处理。

GRNN理论基础（汇总）

根据简单的概率论公式我们就能看懂上面的表达式，因为我们要用到parzan非参数估计，所以这里还是记录一下概率密度估计的一些内容（碎碎念，可以pass）

经典的参数估计：极大似然估计

这个是很多入手算法的朋友都会听过的概念，最经典的就是有一本书叫《概率机器人》里面有详细解读。

一切还是要从贝叶斯概率说起

后验概率 = (似然性*先验概率)/标准化常量。
这个式子告诉我们什么：我们在知道经验基础上可以推断出后续将要发生的事情的概率。

P(A):先验概率，表示每种类别分布的概率。
P（B|A）