摘要： 1. "https://blog.csdn.net/qq_23947237/article/details/78265026" 分别解释了先验概率，后验概率，似然函数，还讲了最大似然估计和最大后验估计。 2. "https://blog.csdn.net/qq_40213457/article/de 阅读全文

摘要： 使用场景:涉及两个字典的合并时 实例： 1. 2. 阅读全文

摘要： 该方法用于创建并返回一个新的字典．两个参数，第一个为字典的键，第二个为字典的值(默认为None). 示例： １． 2. 3. 这里需要注意！！！(没你想的那么好) 阅读全文

摘要： python中的split方法只能通过指定的某一个字符分割字符串，因此要实现实现多符号分割的话，就要调用re模块中的split()函数 示例： 阅读全文

摘要： " " " " 很好理解，就是将一些基本的性能一般的弱分类器组合起来，来构成一个性能较好的强分类器；这其中如果数据一样的话那不是每次训练出的分类器就都一样了嘛，所以在每次训练后要根据训练结果来改变数据的权重；还有一个关键点是通过什么方法来组合这些弱分类器． " " " " " " " " 由8.2可 阅读全文

摘要： " " 实际上这里从线性可分支持向量机到线性支持向量机再到非线性支持向量机，就是从特殊到一般的过程． " " " " " " " " " " " " " " " " 这里介绍了函数间隔和几何间隔，这里前面乘以y的目的就是为了保证得到的值为正；注意定义中是间隔还是间隔的最小值；先引入函数间隔，然后为了 阅读全文

摘要： " " " " 介绍了分布函数和概率密度，函数特点． " " " " " " 这里的逻辑斯谛回归模型就是为了将实数范围映射到(0,1)范围上．即将线性函数外套上sigmoid函数． https://blog.csdn.net/hfutxiaoguozhi/article/details/788439 阅读全文

摘要： 之前都是对着抄，感觉没什么意思，而且还会漏掉一些点，所以索性直接全拿过来，再对它做些解释说明，感觉还好点． " " " " " " 大概思路就是假设条件独立性(来简化问题);然后求联合分布;进行分类时对具体样本用贝叶斯公式和刚才的联合分布求后验概率，并化简(而这求解过程中要用到极大似然估计或者贝叶斯 阅读全文

摘要： logistic回归 梯度上升法 做图 随机梯度上升 随机梯度上升改进 从疝气病预测病马的死亡率 阅读全文

摘要： 朴素贝叶斯 朴素贝叶斯概述 文本分类 准备数据:从文 本中构建词向量 训练算法：从词向量计算概率 贝叶斯分类函数 词袋模型 一个小优化，相比与之前只统计词出现与否的词条模型，词袋模型统计词出现的次数 垃圾邮件过滤 不清楚为什么我做出来的错误率这么高，算了，先放着吧 最后一个不写了 阅读全文