机器学习模型总结

根据课程做出的总结

	模型	损失函数	正则/先验	目标函数	参数	超参数	优化算法	备注
贝叶斯判别	y	$ p(\hat y\neq y	x)=\left\{ \begin{aligned} p(\hat y=1	x) & , & y=0\ p(\hat y=0	x)&,&y=1\ \end{aligned} \right.$
K-L变换	$y={\mathrm{\Phi }}^{T}x$	$\overline{{\epsilon }^2}=\sum _{j=m+1}^n{\phi }_j^T{C}_x{\phi }_j=\sum _{j=m+1}^n{\lambda }_j$						$$\begin{gathered} R=E\{x{x}^T\} \\ R{\phi }_j={\lambda }_j{\phi }_j \end{gathered}$$