Python每日一记16>>>支持向量机SVM

apple命名的由来：
由沃尔特·艾萨克森执笔的名为《史蒂夫·乔布斯》（Steve Jobs）的传记写道：
在谈到苹果公司的命名时，乔布斯告诉艾萨克森，苹果是其吃水果减肥时常吃的水果之一。
给公司起名字时他刚从一个苹果园回来，他认为苹果这个名字听起来“有趣，生机勃勃，不会让人害怕”。
关于Apple Logo广为流传的一种说法是：苹果电脑公司以那个咬了一口的苹果作为其商标图案，就是为纪念伟大的人工智能领域的先驱者——艾兰·图灵，实际上是误传。其来源为2001年的英国电影Enigma，在该部电影中虚构了前述有关图灵自杀与苹果公司Logo关系的情节，被部分公众以及媒体讹传。

接下来分享支持向量机SVM
1、支持向量机专治线性不可分，就是当数据集很难用直线将其进行正确的分类时，支持向量机的作用就很大了。其实它是利用其核函数（kernel trick）将数据在更高的维度上分类而已。具体的原理不必深究。支持向量机主要的核函数有线性内核，多项式内核（PK）和径向基内核（RBF，也叫做高斯内核）


使用线性核函数的情况下，得分较高


使用多项式核函数的得分


使用高斯核函数的得分。
我们发现高斯核函数下，支持向量机的分类效果相比比较差劲。
不同的结果可能和参数有关，对于多项式内核的SVC中，决定性的参数是degree和正则化参数C;
对高斯内核的SVC中，决定性的参数是gamma和正则化参数C;
2、degree参数代表乘几次方，投射到几维空间。gamma越大，模型越复杂，越易出现过拟合。
C称为正则化参数，越大模型越复杂，之前正则化参数alpha,越大，模型越简单。
这里补充一下正则化的问题：
L2正则化：保留全部特征，只是降低特征变量的系数来避免过拟合的方法，正则化参数alpha
L1正则化：和L2正则化类似，只是将系数逼近0，甚至有些变为0，直接减少特征的个数，正则化参数alpha。
正则化总之就是应对过拟合的问题，使得模型的泛化能力更强。
3、SVR称为支持向量机回归模型。
4、支持向量机的缺点在于参数的调节更加复杂，随机森林和决策树则不需要，因此目前分享的算法而言，算法依然是随机森林更加强悍和简单。