AwesomeTang

前言 关于线性回归相信各位都不会陌生，当我们有一组数据（譬如房价和面积），我们输入到excel，spss等软件，我们很快就会得到一个拟合函数:hθ(x)=θ0+θ1xh_\theta(x)=\theta_0+\theta_1xhθ​(x)=θ0​+θ1​x 但我们有没有去想过，这个函数是如何得到的？ 如果数学底子还不错的同学应该知道，当维数不多的时候，是可以通过正规方程法求得的，但如果维数过多的话，像图像识别/自然语言处理等领域，正规方程法就没法满足需求了，这时候便需要***梯度下降法***来实现了。 梯度

朴素贝叶斯（Naive Bayes） 简单理解 我们可以先通过一个简单的例子来了解什么是朴素贝叶斯算法。 我们现在有如下数据： 颜色 水果 红 水果A 黄 水果B 红 水果A 黄 水果B 黄 水果B 红 水果B 那么我现在手上有一个黄色的水果，我需要去预测它是哪种水果。 根据上面的样本数据，我们分别计算出颜色为黄色情况下，是水果A和水果B的概率： P(水果A∣黄色)=33=1P(水果A|黄色) = \frac{3}{3} = 1P(水果A∣黄色)=33​=1 P(水果