枫落的Blog

网格细分的原理其实并不难理解，它的难点主要在于如何实现。在看过无数有原理无代码的博客后，终于决定写一写我的实现方法，并附上代码供大家参考。c++写的可能比较笨拙，望见谅。

参考文献

[1] 《统计学习方法（第二版）》李航

近邻法是一种基本分类与回归方法（这里只讨论分类问题）。 近邻法通过训练样本对特征空间进行划分，形成模型，之后对新的实例，根据与其最近的 个实例的类别，通过多数表决等方式进行预测，即这 个实例的多数属于某个类，那么这个新的实例就被分为这个类。

感知机是二类分类的线性分类模型，即输出为 和 二值，属于判别模型。感知机学习旨在将训练数据进行线性划分，有简单易实现的优点。感知机算法分为原始形式和对偶形式。

最近打算系统地归纳一下 ISO 27000 中信息安全管理制度（ISMS）系列标准（以下简称 ISMS 系列标准）。这个系列是欧洲的信息安全管理标准，其中 27000 是这个系列的综述（或者前导），里面包含了对系列中各个标准的介绍和对信息安全管理（ISM）中术语的定义；27001 （还有 27006，27009）是这个系列的主要标准，即 requirement standards，可以理解为必须要遵循的标准；27002 ~ 27005 等标准属于 guideline standards，即对一些安全管理方面流程的指导准则；其他就是一些针对特定方面的指导标准。我会主要关注 ISO 27001，27002 和 27005，其他的标准如果以后涉及会再做补充。

在 Freebuf 上看到的一篇文章，作者系统地介绍了数据安全的整体架构与一些细节，从各个方面描述了数据安全需要掌握的能力。我认为对于理解数据安全和规划数据安全的路线很有帮助，所以做了一张思维导图，供学习参考。

Xgboost 是一套提升树可扩展性的机器学习系统，它的算法原理就是将多棵树的预测结果相加得到最终预测结果。之前看了一些博客和视频教程，看完还是一头雾水，最后还是看了原论文才终于有了点头绪。

贝叶斯算法是一种分类算法，用于解决逆向概率（逆概）的问题。

决策树是机器学习中的一个预测模型，它表示对象属性和对象值之间的一种映射。树中的每一个非叶子节点（决策点）表示对象属性的判断条件，其分支表示符合节点条件的对象。树的叶子节点表示对象所属的预测结果。

机器学习的一般步骤是：训练样本 - 特征抽取 - 学习函数 - 预测。其中，为了使模型型获得更多训练，预测和学习函数是在不断循环的。

机器学习的问题可以分为两种类型：分类问题和预测问题。分类模型是将数据最终归于某一个类型，而预测模型的结果更多的是一个具体数值。这里先讲一讲机器学习中经典的回归算法。