不是向量,是 3 * 3 的矩阵。

import numpy as np
x = [[1], [1], [1]]
y = [[1, 1, 1]]
z = np.dot(x, y)
print(z)
print(z.shape)

"""
[[1 1 1]
 [1 1 1]
 [1 1 1]]
(3, 3)

"""

Python3.8+用户才需要

markdown

矩阵不能直接相除。

B / A ，可以使用 B * A的逆矩阵，来实现相除, 但不是所有的矩阵都有逆矩阵。

A = nd.array([[1, 2], [6, 5]])

C = nd.linalg.inv(A)      # C 为 A的逆矩阵

E = np.dot(B, C)          # B * C 即 B / A 

前者是当B发生了之后再发生A的概率。后者是B和A都发生的概率。

区别是前者中B已经发生确定了，此时计算A将要发生的概率。

后者是A和B都没发生，但是要预测他们都发生的概率

我个人理解应该还不完全是这样，是本课程为了讲机器学习要借助数学中的矩阵和微积分工具，如矩阵和向量可以很好地进行多行数据的组织，微分可以采用导数概念很好地说明梯度下降法，而积分方法正好可以用来求解概率密度函数。

A=[a11 a12 a13 a14

      a21 a22 a23 a24

      a31 a32 a33 a34

      a41 a42 a43 a44]

#测试样本
#x_test=np.array([[0,0,0,1,1,0]])
x_test = pd.DataFrame([[0,0,0,1,1,0]], columns=list(['gender','age','status','city','cost','device']))
print(x_test)
#x_feature_name=np.array(['gender','age','status','city','cost','device'])
#print(x_test)
y_test_pred_prob=model.predict(x_test)
print(y_test_pred_prob)

测试数据类型的问题
x_test=np.array([[0,0,0,1,1,0]])  是numpy里的ndarry类型；只有数据

要用pandas中DataFrame类型，这种类型里面包含feature_name，不会有warning.

A50人B60人C45人共155人

直接计算 （20+30+20）/ 155= 70/155 = 14/31

全概率：50/155*20/50+60/155*30/60+45/155*20/45 = 14/31

一个常数

请评论就给出正确答案，不要废话，不给答案评论别人只会显得你很愚蠢

   这涉及到多元函数的求导 当为一元函数 如y=kx 它求导叫做导数

    而多元函数 如 z=kx+by 求导时只能求一个变量的导数，比如我们求x的导数，这时就需要把y当作常量 此时称为函数对于x的偏导数，y同理。

    所以你可以得到 x的偏导数为 z撇=k

    所以题目中（axi+b-yi)的平方对a的偏导数求法为

  设b-yi=k 则 原函数变为（axi+k)的平方  注意 此时 a是变量 xi为常量

  则 开方变为         xi的平方*a的平方+2xika+k的平方    

  开始求导 则为     2*xi的平方*a+2xik +0 

                            k带入 则为 2*xi的平方 *a +2xi(b-yi)

                            把2和前面的2m中的2消除 再提出xi 

                            则为 xi*(axi+b-yi)  和视频相同 

对于b的偏导数 各位可以参照方法自行求解

不是。θ1、θ2、θ3等都是矩阵。X可以理解为[x1,x2,...,xn]。a1，a2、a3都是单个数值，不是矩阵。

numpy 这个版本和 sklearn 不匹配

他输入的D是[[1],[2],[3]]，不是2,3,4

naive_bayes

特征不独立，很容易统计到为0的情况，不适用贝叶斯公式

是的，在y=0的情况下，x2没有出现为0的情况，所以概率为0

是的，P(x2|yi) = 0, 分子为0，结果即为0

样本数太少，无法覆盖所有情况啊

jupyter notebook 
这个自己网上搜一下就有很多使用说明

可能是极值点，但也不一定，也有可能是拐点

? 刷机的吧？？