前段时间开始研究图像检索，进展困难，于是回归基础，捧起PRML一书，无奈看起来极其晕乎，参考AN的的讲义才有点初步的认识。
1、概述：什么是生成学习算法
两类学习算法：判别学习算法（discriminative learning algorithm）和生成学习算法（generative learning algorithm）。DLA通过建立输入空间X与输出标注{1, 0}间的映射关系学习得到p(y|x)。而GLA首先确定p(x|y)和p(y)，由贝叶斯准则得到后验分布
。通过最大后验准则进行预测，也即
。
2、GDA（Gaussian Discriminant Analysis model）高斯判决模型
模型：二类问题
=============>
其中，输入特征x是连续随机变量。
训练：
对四个参数分别求极值（闭式解）：
GDA的优势：由于有高斯分布的先验信息，如果确实符合实际数据，则只需要少量的样本就可以得到较好的模型。对比之下，logistic回归模型有更好的鲁棒性。
3、Naive Bayes
输入特征X离散特征，并且有Naïve Bayes assumption，即xi在y的条件下独立：
，n为词表的维数。
训练模型（联合概率分布）：给定训练样本
，
其中
，
，
闭式解：
预测：输入一个n维特征值（如词表），由贝叶斯准则得到后验概率
由最大后验准则得到分类结果。
4、Laplace平滑
解决问题："新词"问题。（0/0）本质是输入样本特征空间维数的提升，旧的模型无法提供有效分类信息。
方法：拉普拉斯平滑，约束条件
5、文本分类的事件模型