摘要：
搞过机器学习的同学都知道，L1正则就是绝对值的方式，而L2正则是平方和的形式。L1能产生稀疏的特征，这对大规模的机器学习灰常灰常重要。但是L1的求解过程，实在是太过蛋疼。所以即使L1能产生稀疏特征，不到万不得已，我们也还是宁可用L2正则，因为L2正则计算起来方便得多。。。 正则化项不应该以正则化的表 阅读全文
摘要：
无监督最近邻 NearestNeighbors （最近邻）实现了 unsupervised nearest neighbors learning（无监督的最近邻学习）。 它为三种不同的最近邻算法提供统一的接口：BallTree, KDTree, 还有基于 sklearn.metrics.pairwi 阅读全文
摘要：
SVC介绍: 拟合出来的模型为一个超平面 解决与样本维数无关，适合做文本分类 解决小样本、非线性、高维 是用于分类、回归、孤立点检测的监督学习方法的集合。 优点： 有效的高维空间 维数大于样本数的时候仍然有效 在决策函数中使用训练函数的子集 通用（支持不同的内核函数：线性、多项式、 s 型等） 缺点 阅读全文
摘要：
线性回归 Ridge 回归 （岭回归） Ridge 回归用于解决两类问题：一是样本少于变量个数，二是变量间存在共线性 RidgeCV:多个阿尔法，得出多个对应最佳的w,然后得到最佳的w及对应的阿尔法 Lasso 监督分类 估计稀疏系数的线性模型适用于参数少的情况，因其产生稀疏矩阵，可用与特征提取 s 阅读全文