小技巧备忘

2020-01-13

| 杂事 | | 备忘 , 知乎 , 技巧 | 评论

1 本地md+LaTex如何完美发布到知乎？

我已写成了脚本：forzhihu

答：知乎编辑器提供了md上传，还提供了https://www.zhihu.com/equation?tex=...接口，并且支持贴图自动上传。　因此完全支持本地Markdown+LaTex完美发布到知乎，具体步骤如下：

• 用本地Markdown编辑器放心写作。【我使用Typora】
• 将本地图片换成网上图片，我个人的做法是先发布到gitbook，比如我的https://chaoskey.gitee.io/notes/。然后复制图片链接，替换原本地图片链接，图片数量一般不多，手工替换也不麻烦。
• 将LaTex代码用https://www.zhihu.com/equation?tex=...替换。首先得有支持正则表达全文置换编辑器【我使用Visual Studio Code】，然后将　\$\$(\n*)\s*(.*?)(\n*)\s*\$\$　替换成　$1<img src="https://www.zhihu.com/equation?tex=$2" alt="$2" class="ee_img tr_noresize" eeimg="1">$3。 当然前面这个正则表达式的形式要以实际为准。
• 最后，保存文件，然后打开知乎编辑器，上传md文件，简单调整后，发布，完工。

3.5 朴素贝叶斯分类器

2019-07-01

| 机器学习 | | 贝叶斯 , 分类器 , 拟合 , 预测 , 技巧 , 互信息 , 特征选择 | 评论

返回本章目录

在本节中，我们将讨论如何对离散值特征的向量进行分类， \(\boldsymbol{x} \in {1,\dots,K}^D\) ，其中 \(K\) 是每个特征的值域数， \(D\) 是特征的数量。我们将使用生成方法。这要求我们指定类条件分布 \(p(\boldsymbol{x} | y=c)\) 。最简单的方法是假设特征是条件独立的, 对给定类标签。这使我们可以将类条件密度写成一维密度的乘积:

此模型被称为 朴素贝叶斯分类器 （NBC）。