Python脚本
主要用来记录一些比较常用的小脚本，提高工作效率
常用命令
对hexo博客的写作常用方法以及butterfly主题的使用技巧进行一个简单的记录。
Markdown语法规范
文字编辑
对齐方式和文本字体大小
markdown实现文本对齐也可以借助内嵌html实现:
<p align="right">这是一个右对齐</p>
<p align="left">这是一个左对齐</p>
<center>这是一个左对齐</center>
这是一个右对齐
这是一个左对齐
居中
一个居中的h1标题
一个居中的标题
一个调节字体大小为16后的居中标题
换行
markdown换行有两种方式:
段内换行是两个空格加上一个回车
这是一个段内换行
段落换行则是直接一个回车
注意观察两种换行情境下行间距大小
上下标
可以使用上标标签和下标标签。
例如：
n<sup>2</sup>+b<sub>1</sub>n+8=0
n2+b1n+8=0
高亮
可以使用高亮标签。
这是<mark>高亮文本</mark>
这是高亮文本
除了文本高亮以外，还可以对文本的颜色进行修改，一般修改文本的颜色有两种方式:
<font color="#0099ff">十六进制颜色表示方式 #0099ff</font>
&l ...
贝叶斯估计
贝叶斯估计是贝叶斯学派估计未知参数的主要方法，与频率学派相比，贝叶斯学派最主要的观点就是未知量是一个随机变量，在进行抽样分布之前，未知量有自己的分布函数，即所谓的先验分布。而贝叶斯估计也就是通过引入未知量的先验分布来将先验信息和传统频率学派的总体信息和样本信息结合起来，得到一个未知量的后验分布，然后对未知量进行统计推断。
关于未知量是否可看作随机变量 在经典学派与贝叶斯学派 间争论了很长时间，后来这一观点渐渐被经典学派认同。如今两派的争论焦点已经变成了如何利用各种先验信息来合理地确定先验分布。
贝叶斯估计的基本思想
对于未知参数θ\thetaθ，假设其分布(先验分布)为π(θ)\pi(\theta)π(θ)。
总体分布以及样本分布都依赖于先验分布，因而将先验信息加入后的样本XXX与θ\thetaθ的联合分布变成了:
h(X,θ)=p(X∣θ)π(θ)h(\boldsymbol{X}, \boldsymbol{\theta})=p(\boldsymbol{X} \mid \boldsymbol{\theta}) \pi(\theta)
h(X,θ)=p(X∣θ)π(θ)
基于总体和样 ...
多元线性回归
主要分享计量的多元线性回归模型及离差形式系数的求解过程，在学习完多元线性回归之后一时兴起用了一个小时在本子上写出了公式的推导，回到宿舍后为了方便npy看花费了两个小时转成了数学公式（主要是自己写的公式区分度不高，mathpix看了落泪），排版的过程中顿觉markdown的苍白无力，latex的交叉引用是真的好用，但因为种种原因最后还是选择了markdown作为自己写笔记的主要工具，好像也没有什么办法，毕竟不可能事事尽善尽美。
模型
\begin{equation}
\begin{aligned}
Y_i &=\beta_0+\beta_1 X_{i 1}+\beta_2 X_{i 2}+\ldots \beta_k X_{i k}+\mu_i \\
&=\left[\begin{array}{lllll}
1 & X_{i 1} & X_{i 2} & \ldots & X_{i k}
\end{array}\right]\left(\begin{array}{c}
\beta_0 \\
\beta_1 \\
\beta_2 \\
\ ...
平稳时间序列建模
模型识别
模型定阶
含义：对一个观察序列(Observed Series)，选择一个与其实际过程相吻合的模型结构
ACF 和 PACF 法
根据 ACF 和 PACF 的特征，先判断属于哪一类模型
确定模型后，AR 模型和 MA 模型在对应阶数以外的呈截尾分布的特征统计量服从正态分布，通过比较前 M 个统计量的取值（一般为N\sqrt{N}N）中满足正态分布的取值所占的比例来确定最小的满足条件的阶数（满足正态分布指的是给定模型阶数的情况下，对应的特征统计量的观察值落在正态分布的nnn个σ\sigmaσ内,n 一般取 1）
若为 AR 模型，则通过 PACF 确定阶数(k>pk>pk>p时，ϕkk∼N(0,1N)\phi_{kk} \sim N(0,\frac{1}{N})ϕkk∼N(0,N1))
从 p=1 开始，若有一个统计量满足:\begin{equation}
\frac{\sum\limits_{k=p+1}^{\sqrt{N}+p} \mathbb{I}·\left(\phi_{kk}<\sqrt{1/N}\right)}{\sqrt{N ...
线性平稳时间序列
符号说明
王燕老师的书上的符号和我们老师讲课的符号有一些出入，虽然在写的过程中有意识地去使用赵老师上课用的符号但难免会有所疏漏，这里将两本书上符号的对应关系列一下:
赵老师
王燕教材
时间序列:ZtZ_tZt
XtX_tXt
自协方差函数：r(t−s,0)r(t-s,0)r(t−s,0)
γ\gammaγ
PACF:φ\varphiφ
ϕ\phiϕ
因为有些符号感觉是老师制作 ppt 不规范导致(甚至有些混乱)，所以这里就按照教材中的符号命名方法进行书写，可能会与 ppt 稍微有出入。
斜体或者标题加*内容为辅助理解内容
Introduction
传统的统计学习过程中我们用样本推断总体的方法时，我们希望分析的随机变量越少越好，同时每一个变量的信息(样本容量 n)越大越好，这从两个方面保证了我们统计分析的合理性，而对于时间序列而言，因为引入了时间变量TTT，我们将每一个时刻的值都视为一个随机变量，这样的话相当于对于每一个随机变量进行分析时我们只能使用这个时刻的数据，这对于统计分析的展开是非常不利的，这个时候很容易就想到能不能将不同时刻的数据结合在一起来对每 ...
html
简介
HTML 是用来描述网页的一种语言。
HTML 指的是超文本标记语言 (Hyper Text Markup Language)
HTML 不是一种编程语言，而是一种标记语言 (markup language)
标记语言是一套标记标签 (markup tag)
HTML 使用标记标签来描述网页
HTML 标记标签通常被称为 HTML 标签 (HTML tag):
HTML 标签是由尖括号包围的关键词，比如 <html>
HTML 标签通常是成对出现的，比如 <b> 和 </b>
标签对中的第一个标签是开始标签，第二个标签是结束标签
开始和结束标签也被称为开放标签和闭合标签
html文档包括html标签和纯文本，html文档也被称为网页。Web浏览器的作用是读取HTML文档，并以网页的形式显示出来。
常用的html标签
一个html文档大概会包括以下内容，复杂网页一般会包括更多不同的标签以及对标签进行属性的调整来得到更加丰富的页面。
<html>
<body>
<h1>My First Heading</h1>
...
Seaborn库简介
将本文结合代码使用效果更佳哦❤️❤️
速查
example gallery:
Seaborn 库简介
特点:
Seaborn, a statistical graphics library created by Michael Waskom. Seaborn simplifies creating many common visualization types.
Unlike when using matplotlib directly, it wasn’t necessary to specify attributes of the plot elements in terms of the color values or marker codes. Behind the scenes, seaborn handled the translation from values in the dataframe to arguments that matplotlib understands. This declarative approach lets you stay ...
学习策略
主要来对比几种不同风险损失函数之间的区别，对机器学习策略有一个更加深入的了解。
周志华老师在讲解Adaboost这章时提到过指数损失函数和0/1损失函数是一致的替代损失函数，二者均达到了贝叶斯最优错误率。