从今天开始，准备重新学习一下，李航老师的《统计学习方法》一书（江湖人称“蓝宝书”）。我将重点整理每一章中重要的小节，详细的内容还是要啃书本。自己才疏学浅，有些理解不到位或者错误的地方，还请大家指证。相互之间多交流，利用好这个平台。
机器学习主要包括监督学习、非监督学习、半监督学习、强化学习四类，我们平时做的大部分都是监督学习。而在监督学习中，研究最多的就是分类问题，比如二分类、多分类问题。回归问题更多是进行数据分析，比如房地产数据预测、股票市场预测等。
A v = λ v Av=\lambda v Av=λv λ \lambda λ 为标量，即特征向量的长度在该线性变换下缩放的比例，称 λ \lambda λ 为其特征值（本征值）。
几何解释： j ⃗ \vec j j 和 k ⃗ \vec k k 是两个基矢量，还有一个矢量 v ⃗ \vec v v ，此时 v ⃗ \vec v v 左乘一个矩阵 A A A，如第二个图所示。看上去没有什么特殊之处，此时调整下 v ⃗ \vec{v} v 的方向，图像看上去有点特殊了，如下图所示，
可以观察到，调整后的 v ⃗ \vec v v 和 A A A v ⃗ \vec v v 在同一条直线上，只是 A A A v ⃗ \vec v v 相对 v ⃗ \vec v v 的长度变长了。此时，我们称 v ⃗ \vec v v 是 A A A v ⃗ \vec v v 的特征向量，而 A A A v ⃗ \vec v v 的长度是 λ \lambda λ的倍， λ \lambda λ就是特征值。即满足上述定义式： A v ⃗ = λ v ⃗ A\vec {v}=\lambda \vec{v} Av =λv
（未完，待更新…）
