最近在學習統計學，為資料探勘學習打基礎。以下是對一些簡單統計學知識的歸納介紹。 類別
數量體育
35896
策略343892
動作767653
射擊34556
其他678
指頻數在分組資料中的密集程度。頻數密度 = 頻數 / 組距。
例如：類別
遊戲種類數量
數量頻數密度體育3
35896
11965.3策略2
343892
171946.0
動作11
767653
69786.6射擊6
34556
5759.3其他3
678226.0
有上可以看出頻數密度展現了某個特定區間中的資料密集度。通過這種方法可以對有差別的區間進行比較。為決策者提供資料方向。
累積頻數就是將各類別的頻數逐級累加起來。其方法有兩種：
一是從類別順序的開始一方向類別順序的最後一方累加頻數（定距資料和定比資料則是從變數值小的一方向變數值大的一方累加頻數），稱為向上累積；
二是從類別順序的最後一方向類別順序的開始一方累加頻數（定距資料和定比資料則是從變數值大的一方向變數值小的一方累加頻數），稱為向下累積。通過累積頻數，可以很容易看出某一類別（或數值）以下及某一類別（或數值）以上的頻數之和。
累計頻數用曲線圖可以很直觀的體現某一物件在乙個方向上的變化趨勢。例如下圖：
機器學習中的數學
從大學到現在，課堂上學的和自學的數學其實不算少了，可是在研究的過程中總是發現需要補充新的數學知識。learning和vision都是很多種數學的交匯場。看著不同的理論體系的交匯，對於乙個researcher來說，往往是非常exciting的enjoyable的事情。不過，這也代表著要充分了解這個領域...
機器學習中的數學
二 第二課時 1 極限 通俗語言 函式f在 x 0 處的極限是l 數學符號 lim f x l 無窮如何比較大小呢？如x趨近0的時候，sin x 和 tan x 同樣都趨近0，哪個趨近0的速度更快呢？我們可以採用求商的極限來求解 lim sin x tan x lim cos x 1 所以是同樣級別...
小白機器學習中的數學
從平面線性擬合談起 我們知道，線性回歸是最簡單的一種資料擬合，說的直白點，我們舉平面上的例子來看，平面上有若干個樣本點，我們的目標就是去畫一條直線去擬合這些樣本點。如果你對擬合這兩個字還不是吃得很透，我們下面慢慢來介紹。高斯雜訊是如何和最小二乘估計聯絡起來的？也就是換句話說，我們如何從概率的視角去審...