2017.9.20 21:42

～～～～一波未平一波又起。这次转正可把我吓的不轻，倍感焦虑。

2017.9.17 00:22起

之前的某一天，有人在mplus上发关于联谊的通知。考虑到周末的去处以及内心的好奇，我报了名。好在，这次的联谊还算有意思，或许应该多参与这些活动。

这是用来测试文章加密访问的。

人生苦短，我用Python。

Python是门优雅的语言，在机器学习领域有着很高的造诣，虽然不太会，边写边学吧。

这一系列是我在学习《机器学习实战》这本书记的笔记，主要是代码，另外给这些代码加了些自己的注释，包括Python的api用法、某些科学计算库的用法、还有一些自己的理解。希望大家来指正，共同学习。

经常遇到这样的问题，学习搭建一个新的环境，在网上查阅很多资料搭成功了，可是第二次搭全忘了还得重复之前的操作，于是决定养成记录的习惯。不光是记录自己的学习笔记，也想与别人分享一些东西，有个博客还是不错的。

基于概率论的分类方法：朴素贝叶斯。（条件概率）

朴素贝叶斯：朴素贝叶斯是一种简单但是非常强大的线性分类器。它在垃圾邮件分类，疾病诊断中都取得了很大的成功。它只所以称为朴素，是因为它假设特征之间是相互独立的，但是在现实生活中，这种假设基本上是不成立的。那么即使是在假设不成立的条件下，它依然表现的很好，尤其是在小规模样本的情况下。但是，如果每个特征之间有很强的关联性和非线性的分类问题会导致朴素贝叶斯模型有很差的分类效果。

决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗由多个判断节点组成的树，在使用模型进行预测时，根据输入参数依次在各个判断节点进行判断游走，最后到叶子节点即为预测结果。

k-近邻算法：KNN是通过测量不同特征值之间的距离进行分类。它的的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

NumPy函数库基础。

机器学习实战这本书的第一章，下面是这章的代码，添加了些本人的注释，欢迎指正。

当我们做了某个重要的决定的时候，如果这个决定会让我们失去某些东西，我们就会产生失调。