Machine Learning 相关

模式识别和机器学习的区别:

模式识别是特征表示+人工总结特征规律(即模式)描述

机器学习 是特征表示+海量样本=自己学习特征

SVM相关

https://www.cnblogs.com/alan666/p/8311840.html 

当C越大，越严格，容错变小，泛化能力变小；当选择高斯核函数的时候，随时R参数调大，准确高提高，最终有过拟合风险。

SVM(Support Vector Machine)中文名为支持向量机

https://blog.csdn.net/fuqiuai/article/details/79483057

感知器模型和逻辑回归：

逻辑回归（虽然称作回归，但是不是一个回归方法，却是一个分类算法。很蛋疼的说）将线性分类器的超平面方程计算结果通过logistic函数从正负无穷映射到0到1。这样，映射的结果就可以认为是分类器将x判定为类别1的概率，从而指导后面的学习过程。

举个例子，看天气预报，用感知器的天气预报只会告诉你明天要下雨（y=1），或者明天不下雨（y=-1）；而用了逻辑回归的天气预报就能告诉你明天有90%的概率要下雨，10%的概率不下雨。

 

我们认为，已有的训练数据中，每个元素距离分离超平面都有一个距离。在添加超平面的时候，尽可能的使最靠近分离超平面的那个元素与超平面的距离变大。这样，加入新的数据的时候，分的准的概率会最大化。感知器模型和逻辑回归都不能很好的完成这个工作，该我们的支持向量机（support vector machine，SVM）出场了。

 

用一根线 就能把空间划分开的分类 ，线性分类器。

https://blog.csdn.net/v_JULY_v/article/details/7624837

核函数  低维向高维映射的理解

https://blog.csdn.net/wenli_smile/article/details/84992308