一.前言2022年的第一篇博客，《机器学习》这个专栏去年由于自己的时间原因，更新的不勤，乘最近稍微有点时间准备开始陆陆续续更新，今天先来一道开胃菜：带拉普拉斯修正的朴素贝叶斯，话不多说请看下文。二.贝叶斯定理在正式介绍朴素贝叶斯算法之前先介绍下与其息息相关的贝叶斯定理（参考维基百科），其数学形式如下所示：P(A∣B)=P(A)P(B∣A)P(B)P(A|B) = \frac{P(A)P(B|A)}

一.什么是线性判别分析？线性判别分析（Linear Discriminant Analysis，LDA）的一种经典的线性学习方法（属于监督学习），这里先借用周志华教授的《机器学习》中的图片来做一个直观的展示：正如该图中展示的那样，LDA需要寻找一条合适的直线y=wTxy=w^Txy=wTx，使得数据集中的样例投影到该直线时同类样例的投影点尽可能接近，不同类样例的投影点尽可能远离，这样一来就可以对新

H2GCN是NeurIPS 2020上发表的论文《Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs》所提出来的一个同时适用于同配图和异配图的GNN模型。该模型官方也开源了相应的源码（Github），但是是Tensorflow实现的，为此，本文基于Pytorch+PyG来对该模型进

遵从1-hop消息传递范式的GNN的表达能力上限为Weisfeiler-Lehman test（1-WL test），为了获取更具表达能力的GNNs，学者提出了K-hop消息传递范式。本文作者先对K-hop消息传递的表达能力进行了分析，并整合外围子图信息来进一步改善K-hop消息传递的表达能力。

Ego graph指距离中心节点小于特定距离（特定路径长度）的所有结点构成的图，特定距离通常为1，即与中心节点直接有边连接。例如，假设下图左为一个完整的图，图右为以DDD为中心节点的ego-graph。有的也称为Ego Network。Ego graph中的中心被称为ego（DDD），而其它与ego连接的节点被称为alter（A,B,C,E,FA,B,C,E,FA,B,C,E,F）。在ego图中，

一.对数几率回归的定义1.1 广义线性模型在之前的机器学习(一)：深入解析线性回归模型一文中所介绍的线性模型都是基于y=wTx+by=w^Tx+by=wTx+b这种形式的。但对于某些数据集虽然其自变量xxx与因变量yyy并不满足一元函数关系，但是可以通过某些函数g(.)g(.)g(.)让输入空间xxx到输出空间yyy的非线性函数映射转换成输入空间xxx到输出空间g(y)g(y)g(y)的线性函数映

一.前言PCA可以说是业界使用的非常频繁的机器学习方法了，今天博主带领大家深入浅出PCA模型，相信看完本文你会对PCA有一个更加深刻的理解。话不多说，请看下文！！！二.理论介绍2.1 什么是PCAPCA的英文全称是Principal ComponentAnalysis，即主成分分析，它是一种常用的数据降维方法。数据降维指的是将高维空间中的数据在低维空间中进行表示，同时尽可能较少信息损失。通过数据降

如今大火的大模型背后许多都离不开Transformer，本文将带你深入了解Transformer的架构。

一.前言2022年的第一篇博客，《机器学习》这个专栏去年由于自己的时间原因，更新的不勤，乘最近稍微有点时间准备开始陆陆续续更新，今天先来一道开胃菜：带拉普拉斯修正的朴素贝叶斯，话不多说请看下文。二.贝叶斯定理在正式介绍朴素贝叶斯算法之前先介绍下与其息息相关的贝叶斯定理（参考维基百科），其数学形式如下所示：P(A∣B)=P(A)P(B∣A)P(B)P(A|B) = \frac{P(A)P(B|A)}

一.对数几率回归的定义1.1 广义线性模型在之前的机器学习(一)：深入解析线性回归模型一文中所介绍的线性模型都是基于y=wTx+by=w^Tx+by=wTx+b这种形式的。但对于某些数据集虽然其自变量xxx与因变量yyy并不满足一元函数关系，但是可以通过某些函数g(.)g(.)g(.)让输入空间xxx到输出空间yyy的非线性函数映射转换成输入空间xxx到输出空间g(y)g(y)g(y)的线性函数映