我一生不安的总账，犹如一纸菜单，在我还没能读懂的时候，就赋予我了。我只需围上餐巾，面对餐桌坐下来就行了。连现在写这种奇怪的读物，也准确无误地记载在菜单上。按理说，我应该一开始就看到它。

我不认为这个世界比构筑积木更加复杂，也不认为不久我必将走向那里的所谓“社会”比童话世界更加光怪陆离。一种界定在无意识中开始了。于是，所有的空想从一开始就在对这种界定进行抵抗之下，不可思议地渗透着完整的、类似其自身的一种热烈意愿的绝望。

-三岛由纪夫《假面自白》

有海涅的悲歌为证：

在我的记忆之中，

有一朵紫罗兰熠熠生辉。

这轻狂的姑娘！我竟未染指！！

妈的，我好不后悔！！

-王小波《似水流年》

more >>

我们不过是基因的载体，所有物质的生命，不过是基因为了延续和进化这个目的而存在的。从这个意义上讲，我们的生命真的没有那么重要。在我们有限的生命中，如果能够将遗传的信息传递下去，再将创造出的信息、知识流传下去，我们的生命已经相当完美了。

-道金斯《自私的基因》

若逢新雪初霁，满月当空

下面平铺着皓影

上面流转着亮银

而你带笑地向我步来

月色与雪色之间

你是第三种绝色

-余光中《绝色》

你说：“还要去庙里烧香，像凡夫凡妇。”

那日，我独自去碧山岩，为你拈香，却什么话都没说。

这就是了，所有季节的流转永不能终止。三世一心的兴观群怨正在排练，我却有点冷，也许应该去寻松针，有朝一日，或许要为自己修改征服。

-简媜《四月裂帛》

主成分分析(Principal Component Analysis, PCA)是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。

本文从PCA的目的、思想、原理背后的含义出发，试图清晰地解决几个问题：

• 为什么用PCA
• 怎么用PCA
• 为什么这么用PCA

《好运设计》史铁生，在高三的时候读过，第二次读的收获更多了，很感动。

我们绞尽脑汁设计的那个好运者，到最后，竟然就是此生此世的自己。

本文简单介绍了感知机(Perceptron)与支持向量机(Support Vector Machine SVM)的部分概念。

本文没有系统地介绍两种算法，只是作为四川大学彭玺老师《机器学习引论》的课程作业和笔记，以供参考。

机器学习中有一个概念叫做『线性可分』，意思是可以画一条线把把两个不同的类别分开，比方说男左女右排好队，就是线性可分的。不过有的时候大家混在一起乱成一锅粥，完全没有办法找到这么一条线，这时候怎么办呢？也有办法，就是不通过当前的角度来看问题，把问题投射到更高维的空间去，就可能在更高维的空间里找到新的『线性可分』。

-小土刀《学语言与买东西》

未经省察的人生不值得过。

整个统计机器学习模型选择的逻辑，在我看来，其实是：

1. 模型测试：通过某种方法（留出法、交叉验证法……），使模型输出一系列数据，这个数据是其性能的表现；
2. 性能度量：根据模型展示出的一系列数据，运用数学方法对数据进行处理，使得处理后的数据能够直观地代表模型的性能；(就是问题一讨论的内容)
3. 模型评估：对由第二步处理后的数据进行比较，每个模型都有自己的性能度量数据，我们将每个模型的性能度量数据进行比较，这个比较不是单纯的比大小，需要运用数学方法对每个模型的性能度量数据进行处理，在处理完后得到的数据，才能进行比较；
4. 模型选择：根据比较的结果，选择最好的模型。

每个步骤的名称是我自己定的，肯定和经典书籍中的描述有所出入，整个流程的逻辑应该是清楚的。

本文简述了模型评估与选择的第1步和第2步，具体地说，本文解决了两个问题：

1. 怎样进行模型测试；
2. 如何得到一个模型的性能度量。