李宏毅-分类
- 为什么不能用回归代替分类？
答：因为回归与分类对模型评估的好坏定义不一样。当训练集出现异常点时，回归会尽量去拟合这些异常点，增加模型鲁棒性。但是在分类中，异常点的出现会使得分割界偏离最优位置，原本可能并不是这个类别的异常点当成该类别进行模型训练，导致模型不准确。
2. 分类问题，预测随机抓一个神奇宝贝属于某一类别的概率（朴素贝叶斯公式）：
p（c1）表示一群神奇宝贝中，类别1的宝贝概率（占比）。p(x|c1)表示，在类别1中抓一只神奇宝贝是x的概率，这个没有直接告诉。视频中，老师以水系宝贝为例，以防御力和特殊防御力为两个坐标轴，将水系宝贝在这个坐标轴中是按照高斯分布进行分布的。从手中已有的神奇宝贝资料（什么东西<400），可以拟合出一个高斯分布函数，即求得高斯分布的方差和平均值，然后放入新的神奇宝贝，得到一个新的高斯函数值，这个函数值与从该类别中获取该宝贝的概率成正比，因此看成p（x|c1）。
上面提到的用一个高斯分布函数代替概率值，其实相当于该种类宝贝的分布概率是一个高斯分布。因为高斯分布有一个中心点，当宝贝分布位置越靠近这个点，它就越可能属于这个类别，而越靠近这个中心点的高斯函数值越大，也就表示高斯函数值越大属于该类别的概率就越大。
怎样得到一个最好的高斯分布函数来拟合训练集？
