Great_lid: 在settings->console->"Show console variables by default"前面的勾取消掉就行。参考https://stackoverflow.com/questions/48969556/hide-console-variables-in-pycharm-debugger-variables-panel

qq_31700339: 简言意骇

fK0pS: 1、MLE：通过调整模型的参数，使得所有样本出现的可能性最大； 2、MAP：通过调整模型的参数，使得所有样本出现的可能性最大，但是模型参数服从某个概率分布，换句话说每个模型参数的可能性（先验）不一样；在MLE中，每个模型参数出现的可能性默认都一样。 3、贝叶斯估计，在MAP中，我们假设每个模型参数是个随机变量，但是具体用什么模型（先验）是已经确定好的，比如均匀分布、正态分布、拉普拉斯分布。但在贝斯估计中，我们不知道模型长什么样，也不知道模型参数是什么。我们做的就是，来了一个新样本，请问这个样本属于正样本、负样本的可能性有多大？哪个大就输出哪个。如何找到这样的模型h(x)呢？以最小化损失函数为桥梁，过渡到最小化后验概率。再通过贝叶斯定义，过渡到统计正样本的概率P(＋)和P(x|＋)【正样本中x出现的可能性】。由于x的维度非常高，P(x|＋)基本趋近于0（可以这样理解，我手上的样本根本就没有见过x）。那怎么办嘛。来一个假设，假设样本的各个维度是独立，P(x|＋)≈P(x_d1|＋)P(x_d2|＋)...P(x_dn|＋)。P(x_d1|＋)对于正样本来说是好统计的，以此类推。新来一个样本x，我们就能基于手上的样本，给出一个它属于正样本的概率了。

fK0pS: 1、MLE：通过调整模型的参数，使得所有样本出现的可能性最大； 2、MAP：通过调整模型的参数，使得所有样本出现的可能性最大，但是模型参数服从某个概率分布，换句话说每个模型参数的可能性（先验）不一样；在MLE中，每个模型参数出现的可能性默认都一样。 3、贝叶斯估计，在MAP中，我们假设每个模型参数是个随机变量，但是具体用什么模型（先验）是已经确定好的，比如均匀分布、正态分布、拉普拉斯分布。但在贝斯估计中，我们不知道模型长什么样，也不知道模型参数是什么。我们做的就是，来了一个新样本，请问这个样本属于正样本、负样本的可能性有多大？哪个大就输出哪个。如何找到这样的模型h(x)呢？以最小化损失函数为桥梁，过渡到最小化后验概率。再通过贝叶斯定义，过渡到统计正样本的概率P(＋)和P(x|＋)【正样本中x出现的可能性】。由于x的维度非常高，P(x|＋)基本趋近于0（可以这样理解，我手上的样本根本就没有见过x）。那怎么办嘛。来一个假设，假设样本的各个维度是独立，P(x|＋)≈P(x_d1|＋)P(x_d2|＋)...P(x_dn|＋)。P(x_d1|＋)对于正样本来说是好统计的，以此类推。新来一个样本x，我们就能基于手上的样本，给出一个它属于正样本的概率了。

fK0pS: 1、MLE：通过调整模型的参数，使得所有样本出现的可能性最大； 2、MAP：通过调整模型的参数，使得所有样本出现的可能性最大，但是模型参数服从某个概率分布，换句话说每个模型参数的可能性（先验）不一样；在MLE中，每个模型参数出现的可能性默认都一样。 3、贝叶斯估计，在MAP中，我们假设每个模型参数是个随机变量，但是具体用什么模型（先验）是已经确定好的，比如均匀分布、正态分布、拉普拉斯分布。但在贝斯估计中，我们不知道模型长什么样，也不知道模型参数是什么。我们做的就是，来了一个新样本，请问这个样本属于正样本、负样本的可能性有多大？哪个大就输出哪个。如何找到这样的模型h(x)呢？以最小化损失函数为桥梁，过渡到最小化后验概率。再通过贝叶斯定义，过渡到统计正样本的概率P(＋)和P(x|＋)【正样本中x出现的可能性】。由于x的维度非常高，P(x|＋)基本趋近于0（可以这样理解，我手上的样本根本就没有见过x）。那怎么办嘛。来一个假设，假设样本的各个维度是独立，P(x|＋)≈P(x_d1|＋)P(x_d2|＋)...P(x_dn|＋)。P(x_d1|＋)对于正样本来说是好统计的，以此类推。新来一个样本x，我们就能基于手上的样本，给出一个它属于正样本的概率了。