摘要：
优点：泛化错误率低，计算开销不大，结果易解释 缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二分类问题 线性可分 给定一个二维数据集，如果可以用一条直线，将数据分成两类，在直线的一边都是一种分类，另一边的都是另一种分类，我们说这个数据集线性可分 该直线称为分隔超平面（Separa 阅读全文
摘要：
虽然名字里带回归，但实际上是一种分类方法，主要用于两分类问题，即只有两种分类 优点：计算代价不高，易于理解和实现 缺点：容易欠拟合，分类精度可能不高 原理 线性回归函数 $\small z = f(X) = XW$ 其中 X 是特征值 W 是回归系数 X 和 W 都是向量，可展开为 $\small 阅读全文
摘要：
导数 设有一元函数 $\normalsize y=f(x)$ 则函数在点 $\normalsize x_{0}$ 处的导数为 $\normalsize f^{'}(x_{0})=\lim_{\Delta x\rightarrow 0}\frac{f(x_{0}+\Delta x) f(x_{0})} 阅读全文
摘要：
朴素贝叶斯（Naive Bayesian）分类器可以给出一个最优的类别猜测结果，同时给出这个猜测的概率估计值 优点：在数据较少的情况下仍然有效，可以处理多类别问题 缺点：对于输入数据的准备方式较为敏感 贝叶斯准则 公式 $\small P(C|X)=\frac{P(X|C)}{P(X)}P(C)$ 阅读全文
摘要：
ID3 决策树构建树的依据是简单的比较样本集分类前后的信息增益 此外还有 CART 决策树，C4.5 决策树等 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，可以处理不相关特征数据 缺点：只能处理离散数据，可能会过度匹配，实现较为复杂，存在特征值太多的问题 工作原理： 将样本数据转为 阅读全文
摘要：
kNN 算法不需要经过算法训练，属于懒惰学习，需要训练的属于急切学习 kNN 是最简单的分类算法 优点：精度高、对异常值不敏感、无数据输入假定 缺点：计算复杂度高、空间复杂度高 工作原理： 输入没有标签的新数据后，将新数据的每个特征与样本集中每个数据对应的特征进行比较，然后算法提取样本集中 k 个特 阅读全文
摘要：
用的比较多的算法有 SVM，贝叶斯 (数据少时仍有效)，集成算法 (随机森林，xgboost)，神经网络等 ###K-近邻算法 作用：分类算法 优点：最简单、不需要训练、容易理解 缺点：计算复杂度高、空间复杂度高 原理：计算新数据与样本集中所有数据的欧式距离，提取距离最近的 K 个样本的标签，取 K 阅读全文
摘要：
1. 数据处理 转换数据格式 比如将名称用数字表示、浮点数转为整数 特征值的类型 离散型还是连续型，这会影响算法的选择 特征值的提取 去掉没用的数据比如 ID 值 去掉发生频率太低的特征 直接提取有用的特征 需要的话整合特征，比如 取一段时间内的均值做特征值 取两列数据的和做特征值 取两列数据的皮尔 阅读全文
摘要：
###人工智能（Artificial Intelligence） - 通过计算机模拟人类智慧，以完成很多只有人类才可以完成，甚至连人类都无法完成的任务 - 比如专家系统、图像识别、语音识别、自然语言处理、自动驾驶、推荐系统、人机博弈、电脑游戏、机器人等 - 人类利用计算机完成了很多对人类而言非常困难 阅读全文
摘要：
1. 下载并安装 Keycloak "下载地址" 这里以版本 7 为例子 解压，点击 bin\standalone.bat 直接运行即可 默认登陆地址 http://localhost:8080/auth 创建账号并登陆 官方文档 https://www.keycloak.org/docs/late 阅读全文