Mr_Nobody17的博客

目录​1.线性可分定义2.问题描述3.优化问题4.线性不可分5.低维到高维的映射6.核函数（kernal Function）7.原问题和对偶问题8.支持向量机原问题转换为对偶问题9.算法总体流程10.SVM应用——国际象棋兵王问题1）规则介绍2）参数设置3）程序设计4）性能度量11.SVM处理多类问题​1.线性可分定义算法创始人：Vladimir Vapnik线性可分：Linear Separable二维存在一条直线将⭕和×分开

1.基本形式2.线性回归1）输入一维，输出一维2）输入多维，输出一维3）输入多维，输出多维4）广义线性模型3.对数几率回归4.线性判别分析5.多分类学习6.类别不平衡问题# 导入包from sklearn.datasets import make_classificationfrom collections import Counterfrom imblearn.over_sampling import RandomOverSampler# 生成样本集，

1.经验误差与过拟合1）经验误差与泛化误差a.错误率：测试样本中分类错误的样本数占总样本数的比例。E=bm×100%E = \frac bm ×100 \%E=mb​×100%b.精度：测试样本中分类正确的样本数占总样本数的比例。Acc=km×100%=1−bm×100%Acc = \frac km ×100 \% = 1- \frac bm ×100 \%Acc=mk​×100%=1−mb​×100%错误率 + 精度 = 1错误率与精度常用于评估分类模型的泛化能力例：假设我们有

一起来啃西瓜书

朴素贝叶斯