标签：特征 抽象 euc 上班 图像识别 还需 数学题 思路 而在
今天假期。
但今天，也就是个星期五。为什么说上班的人都在盼望着假期？不是为了纪念谁，也不是因为庆祝谁，而在于假期本身。
好了，说说今天干了什么。今天想干点“大事”，对于才学了不到一个月 python 的我，想挑战下自己，写一写决策树。那就写一写书上的例子吧，“伦西瓜表面特征与西瓜好坏的关系。”（这我自己总结的，，）
然后呢，就发觉数据的储存，不晓得用字典好，还是直接甩出一个矩阵。but 想来想去似乎都蛮麻烦的。想着还是用字典去写吧，毕竟除了给定数据，还需要有一项添加数据并重新计算的操作。大概直接用字典索引直接调出参数，会好些。
看来今天只能在脑子里有个大致思路，没关系，做做数学题发泄下吧。
然后，我便想到，机器学习会用到一些单实变与多实变的东西，其实远远不到实变的范畴，充其量也就是用个二阶泰勒展开，加个 Hesse 矩阵，一个算法似乎就已经变得“高端抽象”。
抽象个屁！
算法做优化，确实是多用泰勒级数展开的原理，比如牛顿法，梯度下降等。。那些在数学专业大一大二就讲的东西，请恕本小白实在看不透如何“艰难”。（这里没法贴tex，所以公式没法写。）
首先，极限的定义是无穷逼近。为什么很多算法只展开到二阶？想要做到切实有效的逼近，至少要取100位的展开，然后利用局部 lipschitz 条件去找合适的常量吧。其次，选择回归函数，我看仅仅常用的就是那几个特殊函数，还有正态分布等。一个函数好像太局限了吧，有没有想过回归成分段函数呢？分段函数本身还可以加工，可以利用极限的思想，更加细分成更多的小分段函数，这样是不是更好呢？
三维 Euclidean 空间理论太局限，非欧几何理论几百年前就有，为什么不想在一般 Hausdorff 空间上的微分流形理论，去做图像识别呢？
做编程，要越简化的代码越好，但是在核心理论中，尤其是数学上，应当越抽象越好。
大概很多人对数学嗤之以鼻吧。
出来混总是要还的，你所鄙视的数学，迟早带着千军万马，杀到你的面前。
标签：特征 抽象 euc 上班 图像识别 还需 数学题 思路 而在
原文地址：https://www.cnblogs.com/marvelous-dong/p/10989500.html
