对应课程视频有点小跳跃，因为课堂上2节视频是用游戏展示梯度下降找最低点示范，感觉没啥说的了
常见的分类，如根据一个人的收入，储蓄，职业，年龄等判断是否给与贷款，（2分类）
根据病人的各种检查指标，确定病人有哪种疾病（多分类）
根据手写汉字，识别出手写内容（多分类，分类进8000个）
我们怎么做分类，按之前学的，可以把回归做分类工具吗？比如二分类，判断是就是1，不是就是-1，接近1的就是1，接近-1读的到就是-1
事实证明这么做往往效果是不好的，比如说有个能2分类不错的一条直线，我们把右下为1，左上定义为-1，下图左侧看着好像效果也是不错，但是如果数据里有距离较远得到一簇，他们当然也会输出1，但是他们会将直线变成紫色曲线的部分，而不是分类效果好的绿色线，即回归会惩罚分类太正确的。
又一说如果是多分类，我们按照使用回归的思路，可能就会想啊，把第一个分类输出1，第二个输出2，第三个输出3等等，但是这样就导致了1,2比较近，2,3比较近，然而你实际使用的分类并没有这种远近的关系，容易判断错误。
我们可以设置这样一个分类函数，当函数输出>0为1分类，其他为2类，此时损失函数就是统计所有样本出错的个数，至于如何求损失函数最优，可以通过感知机Perceptron，支持向量机SVM（本节课先不讲）
如下图，我们又2个箱子，如果我们抽出了一个篮球，那他在第一个箱子里出来的概率如图，应用到了贝叶斯概率公式
以2分类来说，我们就同样有如下图公式（样本x属于C1类概率），生成模型的概率公式（上式的分母）
高斯分布，其形状取决于均值和协方差阵
给我们一个决于均值和协方差阵
,我们就可以求出模型散布出79个点的概率（可能性），当然正态分布是独立的，所以是图中结果（老师讲了训练集79个水系宝可梦，61个一般宝可梦，如果再来一个宝可梦，判断是水系的概率的问题）
我们把可能性求得最大的定义为
,根据求导可得
是样本的均值，
是样本的按
带入求得的均方差（阵）
因此我们就可以求出新来的宝可梦是水系的概率了（是用已有的79个水洗样本计算出的正太模型带入新样本属性求得）
当然老师采用的模型选取的特征和分类关系并不大，导致测试集准确率才47%，采用了7个特征也才54%
对于2种分类，每个有各自的和
，如果我们把2个分类使用一个共同的
，可以使增长比较快
对于我们79个水系好61个一般系宝可梦，我们使用了共同的有如下算式，
分别为各自样本算得的方差（阵），即把各自的方差根据样本数量加权，为什么我们用了7个特征就分类效果比较好了呢，这已经上升到了七维空间上了，可能就有比较容易划分的超平面
我们之前的分类算法的边界是个曲线，当我们使用共同的时，边界变成了直线，也就成为了线性模型，当我们把特征加到7个后，之前的分类准确率也提高到了73%
因此我们进行分类可以按以下3步骤执行：
1模型建立，计算分类概率
2优化参数，使可能性达到最大
3找到最好的函数
我们为什么选择高斯分布而不选用其他概率模型分布呢，我选择其他模型你也可能会问我，这都是古人的经验罢了，选择你认为对的一种模型就可以了。下图中，我们假设x为K维度特征向量，如果假设各维度间是概率发生是独立的，那我们就可以把概率拆解为每一个维度的高斯概率的乘积，（但往往不是所有的特征都是独立的，比如宝可梦的攻防往往是正相关的），对于二分类问题，我们也可以采用伯努利分布模型（n=1概率p，n=0概率1-p）。
如果你假设模型特征的不同维度是相互独立的，那你采用的模型叫做朴素贝叶斯分类器（要根据实际情况选择）
我们将概率模型整理，并用z替换参数，可以得到一个新的函数,我们称之为Sigmoid函数，其特性是y轴与0.5相交，取正无穷是1，负无穷是0
我们将z整理后可以得出如下式子，因为我们可以假设相同都为
，就可以进一步化简，最后提取出x*w+b的形式，这就解释了当我们使用同一个协方差阵的时候边界是线性的
从上图看着好像我们上来就去求出w,b分类就完事了，真是这样吗，我们下堂课分解。
