大致要实现的功能输入7个特征实现元素分类便于属性克制当我们使用回归去硬做分类问题如果出现极端值那我们的分类线会被拉扯如图绿色的线被迫下移最大似然估计 Maximum Likelihood 是怎么为一个概率模型选择最合适参数的。给了你79个数据点假设这些点来自某个高斯分布那么这个高斯分布的均值 μ 和协方差矩阵 Σ 应该怎么选其中μ是中心位置也就是分布的“中心点”Σ是协方差矩阵决定这个分布的形状、方向和扩散程度。不同的 μ和 Σ虽然都能定义一个高斯分布但它们解释这些数据点的能力不同。下图中在数据里面的椭圆明显比另一个椭圆表现更好。如果一个高斯分布的中心、形状、方向和数据点分布很吻合那么大多数数据点在这个分布下的概率密度会比较高于是乘积就比较大即L μ, Σ值大找到最优的μ,Σ。开始做分类数学公式如下从防御了和特殊防御力两个特征情况下以及7个特征情况系分类效果不好准确率为47%、54%改进模型Σ改变两者共用一个协方差共用一个协方差会导致边界不在是曲线而是一条直线以及考虑全部的特征准确率变为73%有着巨大的提升推导过程总结这小节这么麻烦是因为他想用回归的方式去做分类问题选择概率模型算均值、协方差然后我们再得到权重w和偏置b。最经典的高斯分类过程就是先根据训练数据估计每个类别的均值和方差再用高斯分布计算新样本在每个类别下出现的可能性再结合类别先验概率最后选择后验概率最大的类别作为分类结果。