1,监督学习:分类、回归
无监督学习:聚类
2,决策树:根据信息增益的大小来确定节点
信息熵:描述事务确定性程度的值(需要多少个bit来描述信息),Ent(D) = -Σpklog2pk
信息增益:信息熵-某个属性划分的平均信息熵(该属性划分纯度)
3,支持向量机中对超平面的理解:
划分超平面用以下线性方程表示:WTX+b=0; W为法向量,b决定了该平面到原点的距离,但平面到原点的具体值:b/||W||;
WTX表示:||W||*X在法向量上的投影长度,所以r=|WTX+b|/||W|| 表示 当前点到平面的距离(X在法向量上的投影-平面到原点的距离),cos值相当于确定了方向
4,梯度(模最大的方向导数,有方向,向量):从小值指向大值,值为该方向上的导数值