简介逻辑回归是一种分类模型，多用于二分类，以下讨论二分类情况。逻辑回归是一种广义线性回归模型，它与传统线性回归的区别是，传统线性回归直接将wx+bwx+bwx+b作为因变量，而逻辑回归将wx+bwx+bwx+b用Sigmoid后激活的值作为因变量，可以将线性函数转化为概率：P(y=1∣x)=11+exp[−(wx+b)](1) P(y=1|x)=\frac{1}{1+exp[-(wx+b)]} \

背景朴素贝叶斯是一种分类算法，基于贝叶斯定理，是一种生成模型。补充：生成模型：学习得到联合概率分布P(x,y)，即特征x和标记y共同出现的概率，然后求条件概率分布P(y|x)，能够学习到数据生成的机制。分类方法中生成模型的代表就是朴素贝叶斯算法，参考 [此处]。(https://www.zhihu.com/question/20446337)优势：（1）生成给出的是联合分布，不仅能够由联合分布计算

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于N

评价指标系列PR曲线查准率和查全率PR曲线绘制ROC曲线TPR，FPR插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入PR曲线AUC就是衡量学习器优劣的一种性能指标。从定义可知，A

扩散模型：和其他生成模型一样，实现从噪声（采样自标准正态分布）生成目标数据样本。扩散模型包括两个过程：前向过程（forward process）和反向过程（reverse process），其中前向过程又称为扩散过程（diffusion process）。无论是前向过程还是反向过程都是一个参数化的马尔可夫链（Markov chain），其中反向过程可用于生成数据样本（它的作用类似GAN中的生成器，

扩散模型：和其他生成模型一样，实现从噪声（采样自标准正态分布）生成目标数据样本。扩散模型包括两个过程：前向过程（forward process）和反向过程（reverse process），其中前向过程又称为扩散过程（diffusion process）。无论是前向过程还是反向过程都是一个参数化的马尔可夫链（Markov chain），其中反向过程可用于生成数据样本（它的作用类似GAN中的生成器，