机器学习之监督学习：分类

监督学习经典模型之分类

监督学习的 任务大致可以分类两类：

一是分类学习，二是回归预测

今天我们讨论的是分类学习

SVC(支持向量机分类器)
是根据训练样本的分布，搜索所有可能的线性分类器中最佳的那个
我们把可以用来真正帮助决策最优线性分类模型的数据点叫做“支持向量”

结构化信息
是指信息经过分析后可分解成多个互相关联的组成部分，各组成部分间有明确的层次结构，其使用和维护通过数据库进行管理，并有一定的操作规范

朴素贝叶斯
抽象一些说，朴素贝叶斯分类器会单独考量每一维度被分类的条件概率，进而综合这些概率并对其所在的特征向量做出分类预测。因此，这个模型的基本数学假设是:

各个维度上的特征被分类的条件概率之间是相互独立的

特点分析：朴素贝叶斯模型被广泛应用于海量互联网文本分类任务。由于其较强的特征条件独立假设，使得模型预测所需要的估计的参数规模从幂指数量级想线性量级减少，极大地节约了内存消耗和计算时间。但是，也正式受这种强假设的限制，模型训练时无法将各个特征之间的联系考量在内，使得该模型在其他数据特正关联性较强的分类任务上的性能表现不佳。

K阶邻(分类)
近朱者赤近墨者黑
K不属于模型通过训练数据学习的参数ÿ