hello world
引入 #
这是一篇helloworld，主要记录一下开始折腾的时间。
写一些鸡汤样式的文字，什么每天前进一点点等等，其实都是瞎说，多说无益。
markdown格式 #
本博客中，渲染markdown的引擎是 kramdown， 具体语法参见 这里。
当然markdown最基础的语法请参照这里。
这里着重介绍下markdown的格式，参考：wiki百科。
实际的编辑器，在MAC推荐使用 typora，很多时候，挺好用的。
这是1号标题&目录 #
这底下都是标题的，所有的标题都会自动进入到目录中，启用目录参见文章头部
2号标题 #
3号标题 #
4号标题 #
5号标题 #
6号标题 #
文字的表现形式 #
我是一段示例文字1，有粗体，斜体，下划线，内联代码，删除线，
文内链接 #
这是一个文内链接的例子。
这个链接在鼠标悬浮时没有标题。
这个链接是本地资源。
引用链接 #
这是一个引用链接的例子。
注意，这里的id没有大小写区分，如果省略id，则前面方括号的内容会被用作id。 #
也可以写成 #
无序列表
- 1
- 2
- 3
有序列表
- 1
- 2
- 3
我是一段引用，很好看是不是
引用内部啥都能写
我是一段示例文字，有粗体，斜体，下划线，
内联代码，删除线，
各类分割线
专业表现形式 #
表格 #
| 2000 | 5000 | 8000 | 10000 | 正负样本悬殊 | |
|---|---|---|---|---|---|
| DecisionTreeClassifier(gini) | 98.15% | 99% | 99.13% | 99.31% | 99.94% |
| DecisionTreeClassifier(entropy) | 98.6% | 99.28% | 99.55% | 99.53% | 99.96% |
| RandomForestClassifier | 98.3% | 99.03% | 99.33% | 99.46% | 99.93% |
| GradientBoostingClassifier | 99.3% | 99.45% | 99.51% | 99.57% | 99.64% |
代码 #
import java.lang.String;
数学图表 #
集合信息的度量方式称为香农熵，简称熵（entropy）。
熵就是信息的期望值。单位是"比特"（bit）。一个比特是一位二进制数字。比如 “将一个硬币朝天空抛起4次，最后四次落地时候的朝向” 这句话中包含一定的信息量。最终答案需要我们猜测4次，每次猜一次硬币落地的结果，猜测结果只有2种，分别是正面和反面。每个面朝向的概率是1/2。
如果一次关于1/2猜测的信息量=1，那么上面一句话的信息量=4，比2更少的情况就是1，不需要猜测，那么信息量就是0。
同理，如果向上抛起的是一个骰子，每次猜测的结果有6种，每种结果出现的概率是1/6，每次猜测的次数大约=2.5（类似折半查找）。那么上面语句信息量大约是2.5*4=10
引入对数的话，每次猜测可以表示为：
$$ l(x_i)=-log_2p(x_i) $$其中，p代表发生x事件的概率，x代表事件，i代表事件的结果
熵的公式则如下
$$ Ent=-\sum_{i=1}^{n}p(x_i)log_2p(x_i) $$其中n是分类的数目，注意，在最终的熵需要乘以事件的概率，对于上面硬币的例子
$$ Ent=-4\times(\frac{1}{2}\times log_2\frac12)=2(bit) $$其中，p代表发生x事件的概率，x代表事件，i代表事件的结果
我是脚注，可以是一些引用，或者一些超链接，或者是图片地址等 ↩︎