Scracs的博客

支持向量机1.支持向量机概述2. 寻找最大间隔3. 简化版 SMO 算法4.利用完整 Platt SMO 算法加速优化5.在复杂数据上应用核函数6.SVM实现7. 实验小结1.支持向量机概述对于理解支持向量机的问题，我们必须了解支持向量是什么？支持向量（support vector）就是离分隔超平面最近的那些点。那么问题又来了，什么叫做分隔超平面？如下图所示是四个线性不可分的数据集：观察四个方框中的数据点分布，能否画出一条直线将圆形点和方形点分开呢？答案是可以的。那么，上述将数据集分隔开来的

朴素贝叶斯1.朴素贝叶斯概述1.1 条件概率1.2 全概率公式1.3 贝叶斯推论2.朴素贝叶斯分类器应用3.使用朴素贝叶斯过滤垃圾邮件3.1 准备数据：切分文本3.2 测试算法：使用朴素贝叶斯进行交叉验证4. 实验小结1.朴素贝叶斯概述贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。那么，什么是贝叶斯算法呢？这

Logistic回归1.Logistic回归概述1.1Logistic回归的一般过程：2.基于 Logistic 回归和 Sigmoid 函数的分类2.1 Sigmoid函数3. 基于最优化方法的最佳回归系数确定3.1 梯度上升法4. 代码实现4.1 数据集可视化4.2 使用梯度上升找到最佳参数4.3 画出决策边界4.4 随机梯度上升算法4.5 回归系数与迭代次数的关系5. 从疝气病症预测病马死亡率5.1 准备数据5.2 测试算法：用Logistic 回归进行分类6. 实验小结1.Logistic回归概述

决策树详解决策树概述决策树的构造信息增益划分数据集递归构建决策树总结决策树概述如上图所示，该图就是一个决策树。长方形代表判断模块（decision block），椭圆形代表终止模块（terminating block），表示已经得出结论，可以终止运行。从判断模块引出的左右箭头称作分支（branch），它可以到达另一个判断模块或者终止模块。以作者本人的想法来看：决策树就是一系列的选择，即决策，每次进行决策后进行后续的决策。决策树的构造优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感

使用K-邻近算法改进约会网站的配对效果这里有一个例子：一位名叫海伦的，想在约会网站寻找适合自己的约会对象。尽管约会网站一直在推荐不同的约会人选，但是海伦并不是很对这些人感兴趣。经过一番总结，发现她曾经交往过三种人：第一种是不喜欢的人，第二种是魅力一般的人，第三种是极具魅力的人。尽管有以上的数据，但是海伦依然无法将约会网站推荐的匹配对象归入恰当的分类。她觉得可以在周一到周五约会那些魅力一般的人，而周末则更喜欢和那些极具魅力的人为伴。那么问题来了：我们要如何更好地帮助她找到自己喜欢的类型呢？以下是在约会

K-近邻算法（KNN）详解机器学习（一）：K-近邻算法（KNN）概述K-近邻算法的具体应用K-近邻算法的具体代码使用K-邻近算法实现手写识别系统插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入机器学习（一）：K-近邻算法（KNN）概述K-近邻算法采用测量不同特征值之间的距离方法进行分类