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

01 Library/11 Machine Learning/Линейные модели.md

@@ -2963,3 +2963,10 @@ print(metrics.classification_report(y, y_pred))
 * [Лекции по машинному обучению от Дмитрия Макарова](https://www.dmitrymakarov.ru/opt/logistic-regression-05/#0-binarnaya-logisticheskaya-regressiya) (есть теория и базовая практика)
 * [Лекции по машинному обучению от Cornel Tech](https://kuleshov-group.github.io/aml-book/contents/lecture4-classification.html) (английский, есть базовый код, МНОГО формул с выводом и доказательством)
 * [Учебник по машинному обучению от Яндекса](https://education.yandex.ru/handbook/ml/article/linear-models) (0 кода, но много математики и красивых картинок)
+
+## Связанные заметки
+- [[Принципы дискриминантного анализа]] — статистическая формализация той же задачи классификации; обучающая выборка + матрица "объект-свойство" = постановка задачи ML
+- [[Функция потерь]] — C → min в ДА и MSE → min в МНК — один и тот же принцип минимизации ошибки классификации
+- [[Постановка задачи снижения размерности признакового пространства]] — PCA как предобработка перед линейными моделями
+- [[ВР - основы]] — AR-модель — это линейная регрессия, где регрессоры — лаговые значения той же переменной; оценивается МНК
+- [[Логические операции над нечеткими множествами]] — нечёткие границы классов vs линейная разделимость в пространстве признаков

01 Library/11 Machine Learning/Метрические алгоритмы.md

@@ -1693,3 +1693,9 @@ knn_reg = KNeighborsRegressor(n_neighbors=5, weights=gaussian_kernel)
 * [Документация scikit-learn по kNN](https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms)
 * [Учебник по машинному обучению от Яндекса](https://education.yandex.ru/handbook/ml/article/metricheskiye-metody)
 * [Статья с примерами применения K-d- и Ball- деревьев](https://www.geeksforgeeks.org/ball-tree-and-kd-tree-algorithms/)
+
+## Связанные заметки
+- [[Расстояние между объектами]] — формулы метрик (Евклид, Манхэттен, Минковский, Махаланобис) идентичны тем, что реализованы в sklearn; Math-нота даёт строгие определения
+- [[Итерационная классификация. Метод K-средних (K-means)]] — K-means тоже классифицирует по минимальному расстоянию $\min \rho_{il}$; unsupervised-аналог kNN
+- [[Наивный Байесовский алгоритм]] — альтернативный метод классификации с учителем из той же обучающей выборки
+- [[Функция принадлежности]] — μ_A: U → [0,1] аналогична вероятности принадлежности классу $\hat{P}_c(x)$ в kNN