摘要： 在回归分析（regression）中，我们的目的是为输入数据找到合适的函数表达，常用于预测新数据的值。线性回归（linear regression），其中的函数形式对输入数据而言是线性的，是到目前为止最流行也是研究最透彻的一种回归形式。在函数内插（interpolation）中，我们已知的是一定范围内的输入数据所对应的函数值，而要解决的是如何求出位于执行输入点之间的数据点的函数值。密度函数估计（density estimation）用于求解具有某种特定特征的类别成员（样本）出现的（概率）密度问题。 阅读全文

摘要： 假设有A、B两个类别，feature为特征值，count为数量。蓝色和红色的曲线分别表示了，随着特征值的变化，A类别事物出现的数量以及B类别事物出现的数量。假如，将A类别错分为B类别的代价与将B类别错分为A类别的代价是相同的，那么可以取X0作为区分的阈值，即，对于某个类别未确定的样本，如果其特征值大于X0，那么将其判为B类，否则判为A类。如果不想将A类错判为B类，即将A类错判为B类的错误代价更大，那么可以在[X1,X0]之间取值作为判别的阈值。相反的，如果不想讲B类错判为A类，即将B类错判为A类的错误代价更大，那么可以在[X0,X2]之间取值作为判别的阈值。 阅读全文

该文被密码保护。 阅读全文