Classifier

Classifier

大致步骤和regression一样，都是三步走。
不同的是：

1. function set不一样，classifier目的在于，求出某一条data属于各个类的概率，概率最大的即使该条data的class，这里使用了本科学习的贝叶斯公式（先验概率后验概率啥的，不会的谷歌吧。。。）
2. goodness of function 也不一样，这里定义likelihood function，即把training data中属于class1的所有data放入函数得到属于class1的联合概率密度最大，说明这个function 预测的效果最好，因为这些data实际观测值就是class1，当然属于class1的概率越大越好，所以这里是寻找使最大的function。
3. 最后确定了，套公式带进function里就ok啦。
     这一课主要是粗略的讲了一下classifier的大体工作流程，为的是下一课的logistic regression过渡。