1.朴素贝叶斯:
P(B|A)=P(A|B)× P(B)/ P(A)
前提：所有的特征在数据集中是同等重要，但又相互独立。
应用：分类模型，输出的预测值是离散值。
解析：满足前提(P(A)=P(B))下，A 在 B 下发生概率等于 B 在 A 下发生的后验概率。
B 在 A 下概率 * B 条件概率 = A 在 B 下概率 * B 条件概率。
知识点：中位数，方差，均值，平方差，加权平均值，偏导，梯度，伯努力，beta 分布，
高斯分布。
2.
降维：PCA（主成分分析），LDA（线性判别分析）
3.回归算法
#线性
，
#决策树，#随机决策数，#随机森林，#Boosting(弱预测，强联合)家族 GDBT，梯度提升树
逻辑斯蒂回归（Logistic regressionmodel），LR 回归：
分类算法，在线性回归模型的基础上，使用 sigmoid 函数，将线性模型 wTx 的结果压缩到[0,1]之间，使其
拥有概率意义。
Boosting 方法——集成学习：
将一系列弱学习分类器相结合来提升总体模型的预测准确度。在任意时间 t，根据 t‐1 时刻得到的结果给
当前结果赋予一个权重，之前正确预测的结果获得较小权重，错误分类的结果得到较大权重，这样就得到
了一个总体上更为准确的预测模型。
Gradient Boosting：
每⼀次建立模型是在之前建立模型损失函数的梯度下降方向。⾸首先将函数(模型)分 解为可加的形式，然
后进行 m 次迭代，通过使得损失函数在梯度上减少，最终得到⼀个优秀的模型。通过加权(也就是每次在梯
度⽅方向上下降的距离)的方式将这些弱的 模型合并起来，形成⼀一个更好的模型。
4. 什么是截尾和拖尾？
（1）p 阶自回归模型 AR(P)
AR(p)模型的偏自相关函数 PACF 在 p 阶之后应为零，称其具有截尾性；
AR(p)模型的自相关函数 ACF 不能在某一步之后为零（截尾），而是按指数衰减（或成正弦波形式)，称其
具有拖尾性。
（2）q 阶移动平均模型 MA(q)
MA(q)模型的自相关函数 ACF 在 q 阶之后应为零，称其具有截尾性；
资源评论
