摘要：
##使用svm思想解决回归问题 使用svm思想解决是如何解决回归问题，其中回归问题的本质就是找一条线，能够最好的拟合数据点 怎么定义拟合就是回归算法的关键，线性回归算法就是让预测的直线的MSE的值最小，对于SVM来说，拟合的定义是指定一个margin值，在这个margin范围里面，包含的数据点越多越 阅读全文
摘要：
##核函数 SVM算法的本质点击这里 将最优化问题变成 右边的最优化问题中的最大化式子中的后半部分，套了两层求和，一个是i，一个是j，可以说，转变的式子中对于样本数据集的任意的两个向量都要进行向量间的点乘 那么如果想要使用多项式特征的话，原先的多项式变化是先将原来的xi和xj添加上多项式特征，然后在 阅读全文
摘要：
##sklearn中的SVM以及使用多项式特征以及核函数 ###sklearn中的SVM的使用 SVM的理论部分 需要注意的是，使用SVM算法，和KNN算法一样，都是需要做数据标准化的处理才可以，因为不同尺度的数据在其中的话，会严重影响SVM的最终结果 （在notebook中） 加载好需要的包，使用 阅读全文
摘要：
##SVM支持向量机 ###支持向量机的思想原理 使用支持向量机的思想，既可以解决回归问题，又可以解决分类问题 那么支持向量机的思想是什么？ 已经知道逻辑回归这种算法的本质就是在一个平面中寻找决策边界，而分类算法则是认为在这个边界的一侧属于一类，另一侧属于另一类，但是是要边界唯一 对于边界不唯一的问 阅读全文