vault backup: 2026-04-20 23:05:40

01 Library/03 Math/Статистика/Дискриминантный анализ/Принципы дискриминантного анализа.md

@@ -31,4 +31,7 @@ title: Принципы Дискриминантного Анализа
 
 ![[Pasted image 20260118190948.png]]
 
-   
+## Связанные заметки
+- [[Линейные модели]] — логистическая регрессия решает ту же задачу классификации; ДА — статистическая формализация, ML — вычислительная реализация
+- [[Метрические алгоритмы]] — kNN — ещё один метод классификации с обучающей выборкой; классифицирует по расстоянию, а не по плотности распределения
+- [[Функция потерь]] — функция потерь C → min как критерий оптимальной процедуры классификации

01 Library/03 Math/Статистика/Дискриминантный анализ/Функция потерь.md

@@ -39,3 +39,7 @@ $C(j|i)=C_{0}=const,\ j \neq i,\ i,j=\overline{1,k}$
 Тогда задача минимизации средних удельных потерь $(C \to \min)$ сводится к **максимизации вероятности правильной классификации**.
 $$\sum\limits_{i=1}^{k}\pi_{i}*P(i|i) \to \max$$
 
+## Связанные заметки
+- [[Линейные модели]] — MSE → min в МНК и C → min в ДА — один и тот же принцип минимизации ошибки; в ML реализован численно через градиентный спуск
+- [[Принципы дискриминантного анализа]] — контекст применения функции потерь
+