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 $y=\Phi^Tx$ $\overline{\varepsilon^{2}} = \sum_{j = m + 1}^{n}{\varphi_{j}^{T}C_{x}}\varphi_{j} = \sum_{j = m + 1}^{n}\lambda_{j}$ $R = E\{xx^{T}\}\\R\varphi_j=λ_j\varphi_j$