摘要：
1、多层感知机 原理： 多次重复线性回归的加权求和过程（中间的计算结果称为隐单元，隐单元构成隐层），计算完每个隐单元的加权求和之后，对结果应用一个非线性函数。再将这个函数结果用于加权求和得出y 矫正非线性（relu） 正切双曲线（tanh） sklearn.neural_network.MLPCla 阅读全文
摘要：
核支持向量机（SVM）是可以推广到更复杂模型的扩展，这些模型无法被输入空间的超平面定义。 SVM可以同时用于分类和回归 1、线性模型与非线性特征 线性模型在低维空间中可能非常受限，因为线和平面的灵活性有限。有一种方法可以让线性模型变得更加灵活，就是添加更多的特征（添加输入特征的交互项或多项式）。 � 阅读全文
摘要：
决策树是广泛用于分类和回归任务的模型。 它从一层层的if/else问题（尽可能少的问题）中进行学习，并得出结论 1、构造决策树 1）two_moons数据集 这是个二分类数据集（每个类别50个数据点），样本点在坐标图中的分布像两个半月牙，因此叫做two_moons 2）学习决策树，就是学习一系列的i 阅读全文
摘要：
集成（ensemble）是合并多个机器学习模型来构建更强大模型的方法。 已证明有两种集成模型对大量分类和回归的数据集都是有效的，二者都以决策树为基础，分别是随机森林（random forest）和梯度提升决策树（gradient boosted decision tree）。 1、随机森林 决策树的 阅读全文
摘要：
朴素贝叶斯分类器是一种与线性模型非常相类似的一种分类器。 它的训练速度比线性模型更快，但是泛化能力要强。 主要思想：通过独立查看每个特征来学习参数，并从每个特征中收集简单的类别统计数据 scikit-learn实现了三种朴素贝叶斯分类器：1、GaussianNB分类器（高斯）、2、Bernoulli 阅读全文