C++之点点滴滴
记录C++语法的点点滴滴
主成分分析与独立成分分析
主成分分析(Principle Component Analysis, PCA)和独立成分分析(Independent Components Analysis, ICA)，是目前应用最为广泛的机器学习数据预处理的手段之一。
PCA，顾名思义，取信号中的最为主要的成分，对非重要部分进行去除，从而达到数据降维的目的，避免维度灾难。PCA只对符合高斯分布的样本较为有效。
ICA，是盲源分离(Blind source separation, BSS)的一个特例，来源于“鸡尾酒会问题”，如果被观测信号由若干个统计独立的分量的线性组合（混合信号），ICA的目的是将被观测信号解混为若干独立信号源，从而对感兴趣的信号进行处理。
翻译：协方差矩阵的几何解释
0、译序
Google时，发现了这一篇文章的译文，然而完全看不懂译文的意思，遂找到原文对照阅读，最后有了重新翻译一遍的想法。
本文结合直观的图形解释，说明了协方差矩阵实质上是一个线性变换，主要思想有如下几点：
- 协方差矩阵是怎么来的：方差表征了沿特征轴方向的离散度，但无法表征特征间的相关性，因此引入协方差来进行描述这种相关性；
- 线性变换由旋转和缩放组成，通过特征值分解的方法可以导出，协方差矩阵等价于对原特征空间的白数据做了一个线性变换；
- 协方差矩阵的最大特征值对应的特征向量，总是指向方差最大的方向；次最大特征值对应的特征向量，正交于最大特征值对应的特征向量，并指向次最大方差指向的方向。
方差、协方差和相关系数
一直没明白，方差、协方差以及相关系数这几个概念的含义及其在统计学中作用和计算方法，这里简单做一个记录和梳理。
1、概念
方差(Variance) ，表征统计量（随机变量）对均值的误差（偏离度或离散度），方差越小离散度越小，统计量越接近统计平均值。
协方差(Covariance) 表征统计量（随机变量）不同维度之间的误差，衡量该量不同维度之间的相关性。
相关系数(Coefficient) ，统计学上常用是皮尔森相关系数(Pearson correlation coefficient)，定义为两个维度（特征）之间的协方差和标准差之比，用于度量两个维度之间的(线性)相关程度，其值介于\([-1,1]\)之间。
使用rsync进行同步备份
rsync是常用的数据镜像备份工具，它可以：
- 可以镜像保存整个目录树和文件系统。
- 可以很容易做到保持原来文件的权限、时间、软硬链接等等。
- 无须特殊权限即可安装。
本文记录使用rsync进行系统备份的基本方法。
Ubuntu 18.04的使用
从最初的Ubuntu 12.04到现在的18.04，随着Ubuntu的更新很多以前的配置无法继续使用，重新开一个帖子，记录新版本的命令和配置。 以下命令，在Ubuntu Server 18.04上测试通过。
MinGW编译Box2D
Box2D是一个著名的2D物理引擎。网上很多文章是老版本，使用cmake编译，最新的git版本，已经移除了cmake支持，使用premake5编译。本文记录了使用mingw编译该版本的方法。
转载：C/C++语言宏定义技巧
记录一些C++中宏定义的使用技巧，转自CSND。
git配置及命令行乱码
日常使用Git，越来越觉得GUI不方便，以下记录下Git命令行配置
