朴素贝叶斯法
朴素贝叶斯是通过训练数据集学习联合概率分布P(X,Y)，通过学习先验分布和条件分布得到联合概率分布。
P(x,y)=p(y)*P(x|y)
朴素贝叶斯法实际上学习到生成数据的机制，所以属于生成模型
4.5式子
4.6式子
P50的朴素贝叶斯算法
P51贝叶斯估计
逻辑斯谛回归（logistic regression）与最大熵模型（maximum entropy）
这两个都属于对数线性模型
一个事件发生的几率（odds）指的是该事件发生的概率与该事件不发生的概率的比值
P78 6.5,6.6
输出Y=1的对数几率是输入x的线性函数
逻辑斯谛回归学习中通常采用的是梯度下降法和拟牛顿法
最大熵模型
学习的目的在于采用最大熵原理选择最好的分类模型
最大熵模型的学习过程就是求解最大熵模型的过程，最大熵模型的学习可以形式化为约束最优化问题 ，模型学习约束条件是两个期望值相等（P83 6.10）（有约束的最优化的原始问题转化成无约束的最优化的对偶问题），这其中用到拉格朗日函数
最大熵模型学习中的对偶函数极大化等价于最大熵模型的极大似然估计
多种最优化的方法：迭代尺度法、梯度下降法、牛顿法、拟牛顿法；牛顿法或拟牛顿法一般收敛速度更快
改进的迭代尺度法IIS
P88：
支持向量机
支持向量机是一种二类分类模型，他的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机，支持向量机还包括核技巧，使它成为市值上的非线性分类器，支持向量分类机的策略是间隔最大化，可形式化为解一个凸二次规划问题（convex quadratic programming）等价于正则化的合页损失函数最小化的问题支持向量机的学习算法是求解凸二次规划的最优化的算法。包括：线性可分支持向量机、线性支持向量机、非线性支持向量机。当训练数据线性可分时候，通过硬间隔最大化（hard margin maximum），学习一个线性的分类器，即线性可分支持向量机；当训练数据接近线性可分时，通过软间隔最大化（soft margin maximum），即软间隔支持向量机，当训练数据不可分时，通过使用核技巧（kernel trick）及软间隔最大化
当输入空间为欧式空间或者离散集合、特征空间为希尔伯特空间时，核函数就是将输入从输入空间映射到特征空间得到的特征向量之间的内积，使用核函数等价于隐式地在高维的特征空间中学习线性支持向量机，这样的方法称为核技巧，和方法是比支持向量机更为一般的机器学习方法
在感知机中，利用误分类最小的策略，求得分离超平面，这时候的解有无穷多个，线性可分支持向量机利用分割最大化求最优超平面（几何间隔最大），所得到的解释唯一的
P97函数间隔的概念（7.3）
函数间隔可以表示分类预测的正确性和确信度。要对分离超平面的法向量w加某些约束，如规范化
P98（几何间隔）概念
凸优化问题是指约束最优化问题P100
非线性支持向量机：首先使用一个变换将元空间的数据映射到新空间，然后在心空间里用线性分类学习方法训练数据中学习分类模型
核函数：设X是输入空间（欧式空间的子集或离散集合），设H为特征空间（希尔伯特空间），如果存在一个从X到H的映射，Ø（x）：x->h
使得对于所有的x，z属于X，函数k（x，z）满足条件K（x，z）= Ø（x）。 Ø(z)
K(x,z)为核函数，Ø（x）为映射函数，Ø（x）。 Ø(z)为内积
每一个具体的输入是一个实例，通常由特征向量表示，这是，所有特征向量存在的空间称为特征空间
学习是隐性的，不需要显示地定义特征空间和隐式函数，这样的技巧成为核技巧
矩阵的半正定性的含义是什么？？
希尔伯特空间：
在一个是实向量空间或复向量空间H上给定内积<x,y> ||x||=sqrt(<x,x>)
任意有限维内积空间都是希尔伯特空间
一个内积空间当作为一个赋范向量是完备时，就是希尔伯特空间
正定核的充要条件：
设K:x×X->R是对称函数，则K（x,z）为正定核函数的充要条件是对于任意的xi属于X ，K（X,Z）对应的Gram矩阵：K=[K(xi,xj)]m*n 是半正定矩阵
P122常用的核函数
当训练样本容量大的时候，这些算法会变得非常的低效，
快速实现算法：SMO（sequential minimal optimization 序列最小最优化问题）
KKT（Karush-Kuhn-Tucker conditions）
朴素贝叶斯法
朴素贝叶斯是通过训练数据集学习联合概率分布P(X,Y)，通过学习先验分布和条件分布得到联合概率分布。
P(x,y)=p(y)*P(x|y)
朴素贝叶斯法实际上学习到生成数据的机制，所以属于生成模型
4.5式子
4.6式子
P50的朴素贝叶斯算法
P51贝叶斯估计
逻辑斯谛回归（logistic regression）与最大熵模型（maximum entropy）
这两个都属于对数线性模型
一个事件发生的几率（odds）指的是该事件发生的概率与该事件不发生的概率的比值
P78 6.5,6.6
输出Y=1的对数几率是输入x的线性函数
逻辑斯谛回归学习中通常采用的是梯度下降法和拟牛顿法
最大熵模型
学习的目的在于采用最大熵原理选择最好的分类模型
最大熵模型的学习过程就是求解最大熵模型的过程，最大熵模型的学习可以形式化为约束最优化问题 ，模型学习约束条件是两个期望值相等（P83 6.10）（有约束的最优化的原始问题转化成无约束的最优化的对偶问题），这其中用到拉格朗日函数
最大熵模型学习中的对偶函数极大化等价于最大熵模型的极大似然估计
多种最优化的方法：迭代尺度法、梯度下降法、牛顿法、拟牛顿法；牛顿法或拟牛顿法一般收敛速度更快
改进的迭代尺度法IIS
P88：
支持向量机
支持向量机是一种二类分类模型，他的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机，支持向量机还包括核技巧，使它成为市值上的非线性分类器，支持向量分类机的策略是间隔最大化，可形式化为解一个凸二次规划问题（convex quadratic programming）等价于正则化的合页损失函数最小化的问题支持向量机的学习算法是求解凸二次规划的最优化的算法。包括：线性可分支持向量机、线性支持向量机、非线性支持向量机。当训练数据线性可分时候，通过硬间隔最大化（hard margin maximum），学习一个线性的分类器，即线性可分支持向量机；当训练数据接近线性可分时，通过软间隔最大化（soft margin maximum），即软间隔支持向量机，当训练数据不可分时，通过使用核技巧（kernel trick）及软间隔最大化
当输入空间为欧式空间或者离散集合、特征空间为希尔伯特空间时，核函数就是将输入从输入空间映射到特征空间得到的特征向量之间的内积，使用核函数等价于隐式地在高维的特征空间中学习线性支持向量机，这样的方法称为核技巧，和方法是比支持向量机更为一般的机器学习方法
在感知机中，利用误分类最小的策略，求得分离超平面，这时候的解有无穷多个，线性可分支持向量机利用分割最大化求最优超平面（几何间隔最大），所得到的解释唯一的
P97函数间隔的概念（7.3）
函数间隔可以表示分类预测的正确性和确信度。要对分离超平面的法向量w加某些约束，如规范化
P98（几何间隔）概念
凸优化问题是指约束最优化问题P100
非线性支持向量机：首先使用一个变换将元空间的数据映射到新空间，然后在心空间里用线性分类学习方法训练数据中学习分类模型
核函数：设X是输入空间（欧式空间的子集或离散集合），设H为特征空间（希尔伯特空间），如果存在一个从X到H的映射，Ø（x）：x->h
使得对于所有的x，z属于X，函数k（x，z）满足条件K（x，z）= Ø（x）。 Ø(z)
K(x,z)为核函数，Ø（x）为映射函数，Ø（x）。 Ø(z)为内积
每一个具体的输入是一个实例，通常由特征向量表示，这是，所有特征向量存在的空间称为特征空间
学习是隐性的，不需要显示地定义特征空间和隐式函数，这样的技巧成为核技巧
矩阵的半正定性的含义是什么？？
希尔伯特空间：
在一个是实向量空间或复向量空间H上给定内积<x,y> ||x||=sqrt(<x,x>)
任意有限维内积空间都是希尔伯特空间
一个内积空间当作为一个赋范向量是完备时，就是希尔伯特空间
正定核的充要条件：
设K:x×X->R是对称函数，则K（x,z）为正定核函数的充要条件是对于任意的xi属于X ，K（X,Z）对应的Gram矩阵：K=[K(xi,xj)]m*n 是半正定矩阵
P122常用的核函数
当训练样本容量大的时候，这些算法会变得非常的低效，
快速实现算法：SMO（sequential minimal optimization 序列最小最优化问题）
KKT（Karush-Kuhn-Tucker conditions）