weixin_51123341的博客

svm是最好的现成的分类器，不需要做任何修改即可实现。同时，这就意味着在数据上应用基本形式的svm分类器可以得到低错误率结果。svm能够对训练集之外的数据点做出很好的分类决策。首先我们先来看看SVM做的是什么样的事，我们先看下面一张图图中有三个分类实例，都将数据正确分类，我们直观上看，会觉得图中第三个效果会比较好，这是为什么呢？个人觉得人的直观感受更偏向于数据均匀对称的结构。当然，这只是直观感受，我们从专业的角度出发，第三种情况更优的原因在于它能（），从而这个系统更加（Robust。

Node.js采用的是CommonJs规范，在NodeJS中，一般将代码合理拆分到不同的JS文件中，每一个文件就是一个模块，而文件路径就是模块名。函数用来在一个模块中引入另外一个模块。传入一个模块名，返回一个模块导出对象。，其中模块名可以用绝对路径也可以用相对路径,模块的后缀名.js可以省略。用来导出一个系统默认对象，没有指定对象名，常见于修改模块的原始导出对象。对象用来导出当前模块的公共方法或属性，其他的模块通过。函数使用当前模块时得到的就是当前模块的。一个模块中的JS代码仅在模块。

3.1、Sigmoid函数看成是一个映射函数或者非线性变换函数，通过变换是的当前的一个值转换成概率，由值转换成概率，就将回归问题转为分类问题 。3.2 、Sigmoid函数的具体计算公式及图像：为了实现Logistic回归分类，我们可以在每个特征上都乘以一个回归系数，然后把 所有的结果值相加，将这个总和代入Sigmoid函数中，进而得到一个范围在0~1之间的数值。任何大于0.5的数据被分入1类，小于0.5即被归入0类。所以，Logistic回归也可以被看成是一种概率估计。3.3 总结线性回归与logisti

朴素贝叶斯分类算法的原理及其实现

剪枝”是决策树学习算法对付”过拟合“的主要手段。为了尽可能正确分类训练样本，结点的划分过程会不断重复直到不能再分，这样就可能会把训练样本的一些特点当做所有数据都具有的一般性质，从而导致过拟合。可以通过”剪枝“一定程度上避免因为决策分支过多，以至于把自身的一些特点当作所有数据集都具有的一般性质而导致的过拟合。

决策树学习的关键在于如何选择最优划分属性。一般而言随着划分过程不断进行，我们希望决策树的分支结点 所包含的样本尽可能属于同一类别，即结点的“纯度 ”越来越高。衡量样本集合纯度---信息熵熵信息：熵是表示随机变量不确定性的度量，即物体内部的混乱程度。假定当前样本集合D中第k类样本所占的比例为pk(k = 1,2,...,|Y|)，则D的信息熵定义为：Ent（D）的值越小，则D的纯度越高一个栗子：A集合[1,1,1,1,1,1,1,1,2,2]B集合[1,2,3,4,5,6,7,8,9,1]

如果一个函数在内部可以调用其本身，那么这个函数就是递归函数。简单理解:函数内部自己调用自己, 这个函数就是递归函数 递归函数的作用和循环效果一样由于递归很容易发生“栈溢出”错误(stack overflow)，所以必须要加退出条件 return。

为了判断未知样本的类别，以所有已知类别的样本作为参照，计算未知样本与所有已知样本的距离，从中选取与未知样本距离最近的K个已知样本，根据少数服从多数的投票法则，将未知样本与K个最邻近样本中所属类别占比较多的归为一类。。

总共有8个西瓜，有一个分类器，它的预测情况如下表设置不同阈值时，将得到不同的P值（Precision，查准率）和R值（Recall，查全率）

filter()方法是返回一个新的数组，新的数组的元素主要是从原数组中选出符合条件的元素放入，主要是用于筛选数组。

两大编程思想：面向过程和面向对象。面向过程是分析解决问题所需要的步骤，然后用 函数把这些步骤一步一步地实现，使用的时候在一个一个的一次调用。面向对象是把一个事务分解成一个个对象，由对象之间分工合作。