今天这一篇挺粗糙的，但是也是这段时间学sklearn的有感而发吧。
首先学sklearn的话，他有几个大模块的算法，前面的逻辑回归，线性回归，之前在看机器学习视频的时候，其实吴恩达老师讲的蛮详细的，里面的公式细节，都蛮清晰的，但是后来学到决策树，SVM，PCA，朴素贝叶斯的时候，虽然知道这个算法是干什么的，有了代码也知道怎么套用，但是里面的原理的理解还是缺陷性很大。
就比如朴素贝叶斯的原理，我能用例子讲出来，但是我就不太会用公式推导，决策树里面的分枝剪枝叶，怎么样用ID3和CART去选择特征变量，svm里面的距离公式也知道怎么推导，现在学PCA，公式我就没看懂，导致我用numpy去对特征矩阵进行PCAZ运算的时候就有一定的问题，但是直接调用sklearn包的话，就非常方便，直接代入进去就行。
怎么说呢，我感觉就是，这个东西要是不知道理论，只会掉包，最后的局限性很大，但是我单纯的看sklearn的书籍，我就很难去学到一些理论的推导问题。
之前朴素贝叶斯的距离推导公式死活不会，后来第二天睡醒了又看了看那个公式，又突然会了，就贼拉离谱哈哈哈。
好了不说了，继续去看PCA了，看完理论再去搞这些实践，冲鸭，加油
