标准
朴素贝叶斯：
有以下几个地方需要注意：
1. 如果给出的特征向量长度可能不同，这是需要归一化为通长度的向量（这里以文本分类为例），比如说是句子单词的话，则长度为整个词汇量的长度，对应位置是该单词出现的次数。 2. 计算公式如下：
其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是 算方法，而由朴素贝叶斯的前提假设可知，
=
的计
，因此一般有两种，一种
是在类别为ci的那些样本集中，找到wj出现次数的总和，然后除以该样本的总和；第二种方法是类别为ci的那些样本集中，找到wj出现次数的总和，然后除以该样本中所有特征出现次数的总和。
3. 如果 中的某一项为0，则其联合概率的乘积也可能为0，即2中公式的
分子为0，为了避免这种现象出现，一般情况下会将这一项初始化为1，当然为了保证概率相等，分母应对应初始化为2（这里因为是2类，所以加2，如果是k类就需要加k，术语上叫做laplace光滑,分母加k的原因是使之满足全概率公式）。 朴素贝叶斯的优点：
对小规模的数据表现很好，适合多分类任务，适合增量式训练。 缺点：
对输入数据的表达形式很敏感。
决策树：
决策树中很重要的一点就是选择一个属性进行分枝，因此要注意一下信息增益的计算公式，并深入理解它。
信息熵的计算公式如下:
文案
标准
其中的n代表有n个分类类别（比如假设是2类问题，那么n=2）。分别计算这2类样本在总样本中出现的概率p1和p2，这样就可以计算出未选中属性分枝前的信息熵。
现在选中一个属性xi用来进行分枝，此时分枝规则是：如果xi=vx的话，将样本分到树的一个分支；如果不相等则进入另一个分支。很显然，分支中的样本很有可能包括2个类别，分别计算这2个分支的熵H1和H2,计算出分枝后的总信息熵H’=p1*H1+p2*H2.，则此时的信息增益ΔH=H-H’。以信息增益为原则，把所有的属性都测试一边，选择一个使增益最大的属性作为本次分枝属性。 决策树的优点：
计算量简单，可解释性强，比较适合处理有缺失属性值的样本，能够处理不相关的特征； 缺点：
容易过拟合（后续出现了随机森林，减小了过拟合现象）；
Logistic回归：
Logistic是用来分类的，是一种线性分类器，需要注意的地方有： 1. logistic函数表达式为：
其导数形式为：
2. logsitc回归方法主要是用最大似然估计来学习的，所以单个样本的后验概率为：
到整个样本的后验概率：
文案
标准
其中：
通过对数进一步化简为：
3. 其实它的loss function为-l(θ)，因此我们需使loss function最小，可采用梯度下降法得到。梯度下降法公式为:
Logistic回归优点： 1、实现简单；
2、分类时计算量非常小，速度很快，存储资源低； 缺点：
1、容易欠拟合，一般准确度不太高
2、只能处理两分类问题（在此基础上衍生出来的softmax可以用于多分类），且必须线性可分；
文案
大数据挖掘主要算法
