k-均值是一个迭代算法，通过计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置，并且重复这种运算直到形成稳定状态。在这个过程中，迭代对应于一定的可计算量的变化操作，最终形成的收敛结构就是稳定状态。优化目标便是找出使得代价函数最小的对象。
降维：把复杂结构抽象为更基本的结果，如同无穷小量可以叠加，从而构建不同层次的关系。这种本征值提取可以对数据进行一定的压缩，在这个层次的运算可以逼近所有的结果。
减少运算的特征，减少冗余，这使得我们的计算更加具有可行性。
我们于是可以构建不同维度之间的相对关系，这种新产生的特征的意义可以由我们定义。我们可以根据的无限维空间可以准确对应于所有的情况。
主成分分析、奇异值分解，可以对新求出的“主元”向量的重要性进行排序，根据需要取前面最重要的部分，将后面的维数省去，可以达到降维从而简化
模型或是对数据进行压缩的效果。同时最大程度的保持了原有数据的信息。这本身就是一种分布。
模式识别（根据特征构建模型，然后与具体数据比对）：对特征变量的测量，只要数目足够多，我们就可以以比较高的精度来避免各种可能的误差，这我认为是可以把各种医疗可能产生的伤害降到最低，即所谓的异常检测问题。我们使用概率来分类，即特定数据在做出范围的概率是多少，高于一定阈值（与平均值的距离）可以认为属于同一类。
我们还可以在分布的层次进行模式识别。
μ是平均值，后者是方差。选择一个阈值来作为评定的边界，从而进行模式识别，即通过给出的数据集拟合参数，进行参数估计，得到参数μ和σ，然后检测新的样本，确定新样本是否是异常。
通过将一些相关的特征进行组合（如特征之间的比例），来获得一些新的更好的特征，这可以视为层次的耦合影响的性质。我在考虑这是不是可以以微分方程的形式来组合。
多元高斯分布能够构建更加精确的边界，可以通过构造新新特征的方法来捕捉这些相关性。
具体的应用，推荐系统，我认为就是对序列识别乃至序列匹配的一个很好的说明。这需要足够多的特征才能识别，这种就是我们的序列，根据过去的经验进行贝叶斯运算来迭代各种可能的概率。这种特征向量的组合就是序列。
数据的获取，医疗方面的各种描述性的指标，如面色发红，精神不振等等，我们需要考虑构建一定的特征向量，然后以其具体的比例来获取数据。我们可以考虑构建这样的医疗诊断平台，基于大规模的数据制定一定的分类，通过模拟现实中医生的诊断思维过程，构建一定的评价标准来不断迭代，以接近乃至超越医生。
喜欢学医路漫漫请大家收藏：(m.talebook.win),宅魂书库更新速度最快。