一、分类算法

1. 朴素贝叶斯（Naive Bayesian Classifier）

朴素贝叶斯算法属于传统机器学习中非常经典的分类算法之一，具体的算法流程可以参考之前的blog:https://blog.csdn.net/m0_51339444/article/details/126436309
我们所熟悉的神经网络，支持向量机和Logistic Regression，决策树等都是判别模型；而朴素贝叶斯和隐马尔可夫模型则属于生成式模型。

优点：（1）逻辑简单，易于实现；（2）所需估计的参数较少；（3）性能稳定，算法健壮性好。

缺点：在属性个数比较多或者属性之间相关性较大时，NBC 模型的分类效果相对较差（这是因为属性过多时计算复杂度较高，并且NBC算法本来假设就是各个属性相互独立，当属性之间相关性较大时固然会对分类效果产生很大影响）。

2. 线性判别分析（Linear Discriminant Analysis）

LDA是有监督的成分分析方法，寻找可分性最大意义下的最优线性映射，即充分保留样本的类别可分性信息。也称为FDA：Fisher Discriminant Analysis
该算法的思想是：将 𝑐 个类别的样本集