前言：介绍了最简单的最大似然估计，距离实现「朴素贝叶斯」还有一些距离。在这篇文章，我想分享一下，我所理解的「最大似然估计 - 高斯分布」。 问题 （这里都是玩具数据，为了方便理解才列出 ...

普通最小二乘法 理论： 损失函数： 权重计算： 1、对于普通最小二乘的系数估计问题，其依赖于模型各项的相互独立性。 2、当各项是相关的，且设计矩阵 X的各列近似线性相关，那么，设计矩阵会趋向于奇异矩阵，这会导致最小二乘估计对于随机误差非常敏感，产生很大的方差 ...

高斯分布 对于单维高斯分布而言，其概率密度函数可以表示成 \[p(x)=\frac{1}{\sqrt{2 \pi}\sigma}e^{-\frac{(x-u)^2}{2\sigma^2}} \] 其中\(u\)表示均值，\(\sigma^2\)表示方差。 对于多维高斯分布 ...

^{2}}{2})$ 一个高斯分布只需线性变换即可化为标准高斯分布，所以只需推导标准高斯分布概率密度的积分。由： $\ ...

本文主要推导高斯分布（正态分布）的乘积，以便能更清楚的明白Kalman滤波的最后矫正公式。 　　Kalman滤波主要分为两大步骤：　　1.系统状态转移估计； 　　2.系统测量矫正。在第2步中的主要理论依据就是两个独立高斯分布的乘积如何计算的问题，即如何融合 估计值 和 观测值 得到系统状态 ...

实数，因此 YTXw =wTXTY 则权重矩阵 w 的最小二乘估计值为： ...

离散高斯分布 　　离散高斯分布是基于格的密码方案常用的一种概率分布。 高斯函数 离散高斯分布 亚高斯随机变量 ...

高中的时候我们便学过一维正态（高斯）分布的公式： \[N(x|u,\sigma^2)=\frac{1}{\sqrt{2\pi \sigma^2}}exp[-\frac{1}{2\sigma^2}(x-u)^2] \] 拓展到高维时，就变成： \[N(\overline x ...