Logistic回归原理分析和实践
参考资料：
- 机器学习 周志华
- 统计学习方法 李航
- 一些博客：logistic回归详解,详解最大似然估计（MLE）、最大后验概率估计（MAP），以及贝叶斯公式的理解,逻辑回归（Logistic Regression）-牛顿法求解参数
sklearn中PCA使用方法
k-means算法原理分析与实践
k-means算法原理分析与实践
原理分析
一些说明
假定样本集$D=\left\{x_1,x_2,···,x_m\right\}$包含m个无标记样本，每个样本$x_i=(x_{i1},x_{i2},···,x_{in})$是一个n维特征向量，聚类算法将样本集划分为k个不相交的簇$\left\{C_l|l=1,2,3,..,k\right\}$表示，用$\lambda_j\in\left\{ 1,2,…,k \right\}$表示样本$x_j$的簇标记，即$x_j\in C_{\lambda_j}$，所以最终聚类的结果可以用包含m个元素的簇标记向量$\lambda = (\lambda_1,\lambda_2,…,\lambda_j)$表示。