qq_40420929的博客

一、SVM简介1.总体框架2.相关概念3.背景支持向量机（Support Vector Machine，SVM）是一个非常优雅的算法，具有非常完善的数学理论，常用于数据分类，也可以用于数据的回归预测中，由于其其优美的理论保证和利用核函数对于线性不可分问题的处理技巧，在上世纪90年代左右，SVM曾红极一时。二、实战1.描述2.源码3.运行结果参考资料：支持向量机SVM详细介绍学习链接：天池...

一、原理1.决策树（decision tree）：本质上是一种通过一系列规则对数据进行分类的分类模型，采用树行（如二叉树…）结构，使用层层推理（基于if-then-else的监督学习算法）来来实现最终的分类。其基本结构由以下元素构成：2.优缺点主要优点：具有很好的解释性，模型可以生成可以理解的规则。可以发现特征的重要程度。模型的计算复杂度较低。主要缺点：模型容易过拟合，需要采用减枝技术处理。不能很好利用连续型特征。预测能力有限，无法达到其他强监督模型效果。方差较高，数据分布的轻微改变很容易造成树结

逻辑回归（Logistic regression=LR）：实质上是一个传统的线性分类模型（有别于现在大火的深度学习（deep learning))，其主要特点是：逻辑回归模型简单（易于理解和实现；计算成本不高，速度快，存储资源低…)分类模型的可解释性强（它拟合出来的参数就代表了每一个特征（feature）对结果的影响），便于理解数据。但存在的问题是：容易欠拟合，分类精度不高。注：欠拟合(underfitting)是指模型拟合程度不高，数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能够很