摘要：
1、朴素贝叶斯 朴素贝叶斯是使用概率论来分类的算法。其中朴素：各特征条件独立；贝叶斯：根据贝叶斯定理。 根据贝叶斯定理，对一个分类问题，给定样本特征B，样本属于类别A的概率是： 2、算法特点 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。 适用数据 阅读全文
摘要：
什么是kernel Kernel的其实就是将向量feature转换与点积运算合并后的运算，如下， 概念上很简单，但是并不是所有的feature转换函数都有kernel的特性。 常见kernel 常见kernel有多项式，高斯和线性，各有利弊。 kernel SVM 在非线性的SVM算法中，如何将一组 阅读全文
摘要：
1.1. SVM介绍 SVM（Support Vector Machines）——支持向量机。其含义是通过支持向量运算的分类器。其中“机”的意思是机器，可以理解为分类器。 1.2. 工作原理 在最大化支持向量到超平面距离前，我们首先要定义我们的超平面f(x)（称为超平面的判别函数，也称给w和b的泛函 阅读全文
摘要：
逻辑回归 1、逻辑函数 sigmoid函数就出现了。这个函数的定义如下： sigmoid函数具有我们需要的一切优美特性，其定义域在全体实数，值域在[0, 1]之间，并且在0点值为0.5。 那么，如何将f(x)转变为sigmoid函数呢？令p(x)=1为具有特征x的样本被分到类别1的概率，则p(x)/ 阅读全文
摘要：
多项式线性回归 1、多项式线性方程： 与多元线性回归相比，它只有一个自变量，但有不同次方数。 2、举例： 阅读全文
摘要：
多元线性回归 1、多元线性回归方程和简单线性回归方程类似，不同的是由于因变量个数的增加，求取参数的个数也相应增加，推导和求取过程也不一样。、 y=β0＋β１x1+β2x2+ ... +βpxp+ε 对于b0、b1、…、bn的推导和求取过程，引用一个第三方库进行计算 2、应用多元线性回归的几个限定条件 阅读全文
摘要：
简单线性回归 1、研究一个自变量(X)和一个因变量（y）的关系 简单线性回归模型定义：y=β0+β1x+ε 简单线性回归方程：E(y)=β0+β1x 其中： β0为回归线的截距 β1为回归线的斜率 通过训练数据，求取出估计参数建立的直线方程： 实际编程时，主要是根据已知训练数据，估计出β0和β1的值 阅读全文
摘要：
数据预处理模板（1）导入标准库（2）导入数据集（3）缺失和分类很少遇到（4）将数据集分割为训练集和测试集（5）特征缩放，大部分情况下不需要，但是某些情况需要特征缩放 阅读全文