机器学习之pca 主成分分析，即，是一种传统的统计学方法，被机器学习领域引入后，通常被认为是一种特殊的非监督学习算法，其可以对复杂或多变量的数据做预处理，以减少次要变量，便于进一步使用精简后的主要变量进行数学建模和统计学模型的训练，所以PCA又被称为主变量分析。
机器学习之支持向量机（svm） 数据预处理：包括特征提取、特征标准化以及数据集的分割。使用支持向量机进行分类：支持向量机是一种强大的分类算法，可以用于解决各种类型的分类问题。用户输入功能：通过与用户交互，实现了从用户处获取数据并进行预测的功能。数据预处理：确保数据的质量和一致性，以及选择合适的特征标准化方法。模型训练：调整支持向量机的参数以获得最佳性能。用户输入：需要处理用户可能输入的各种类型和范围的数据，并进行适当的预处理。适用于高维空间：支持向量机在高维空间中表现出色，适用于处理特征维度较高的数据集。
机械学习--逻辑回归 实现简单：逻辑回归是一种简单且高效的分类算法，易于理解和实现。计算速度快：逻辑回归的计算复杂度低，训练速度快。输出结果概率化：逻辑回归可以输出样本属于不同类别的概率，而不仅仅是分类结果。容易解释：模型的结果具有很好的可解释性，可以清晰地理解每个特征对分类的影响程度。对特征空间的线性可分性要求高：逻辑回归假设数据是线性可分的，对于非线性数据的分类效果不佳。对异常值敏感：逻辑回归对异常值比较敏感，可能会影响模型的性能。
机器学习之决策树 决策树是一种基于树结构的机器学习算法，适用于分类和回归任务。3. **可能产生不平衡的树**：决策树的生成算法有时倾向于生成高度倾斜的树，这可能会导致一些类别的分类效果不佳。2. **划分数据集**：根据所选择的特征将数据集划分成子集，使得每个子集中的样本属于同一类别或具有相似的特征。4. **停止条件**：在构建过程中，需要定义停止条件，例如树的深度达到预定值、节点中的样本数量小于某个阈值等。2. **对数据的不稳定性敏感**：小的数据变化可能会导致生成完全不同的树，因此决策树对数据的不稳定性敏感。
关注
