1. 1 贝叶斯, MLE的思想

假设1：p(Ai) 概率相似

P（D|Ai)： 给定结论Ai下， 这个数据以多大的概率产生。 可以理解为x1..xn是未知的数据参数，θi是已知的参数，能够使  p(x1..xn|θi)最大的参数θi，就是我们想要估计的参数， 这里xi对应D，Ai对应参数θ

1. 2 赔率分析

公平赔率； y = 1/p   y是赔率，p是赢的概率

赔率公式    y =a/p

计算庄家盈亏:

10.5% = 0.21 a / 2a

1. 3 模糊查询与替换

2 PCA

2.1 原理

①求协方差矩阵

② 特征值排序

③ 方差最大的就认为是主要的方向，其中特征向量相互垂直，每一个特征向量就是一个方向，Aμi的方差最大，就认为是最主要的投影方向

①假定样本已经作了中心化，所以忽略均值E

Q 为什么特征值最大 等价于 求方差最大？

PCA中希望投影的方差最大，认为得到的信息最多。

目标函数:

加上等式约束  μTμ=1， 根据拉格朗日求解，

aJ/aμ = 2ATAμ +2λμ = 0 ,求得λ就是 ATA的特征值。

因此，方差最大 等价于 最大特征值

2.2 过拟合问题

使用高阶的特征x1^2, x2^2...，特征过多，虽然会得到弯曲的曲线进行分离，但是很有可能产生过拟合问题

决策树不需要做one-hot编码

6.1 Prime

计算素数:  

fliter(函数, x): 把数字放入x中，结果输出

类方法，实例方法

类属性，实例属性

类方式和静态方法中不能调用实例变量，实例方法

实例防范从属于实例对象

类在进行实例话时，先调用new()函数创建对象，然后再把地址引用给变量

is适用于比较地址，即判断是否为同一个对象，==是判断值的大小是否相同

类产生对象

浅拷贝与深拷贝

栈帧

函数return作用：

1.返回值

2.结束函数执行

函数为对象，一切皆对象

循环推导式

可迭代对象

zip()创建字典

****

循环优化：

1.尽量减少循环内部不必要的计算

2.尽量往外循环走

3.尽量用join，不用+

break结束循环

continue结束本次循环，后面语句不执行，直接继续下次循环

一切可迭代对象都可循环

集合的底层是字典

set()

a.update(b)l两个字典合并

字典是没有顺序的，无序的

a.popitem()删除键值对

a.get()取键值对

a.items()遍历所有键值对

a.keys()

a.values()

dict()

dict(zip(k,v))

fromkeys()创建空字典

生成器推导式

_next_()

元组访问和处理速度比列表快