机器学习

1. 支持向量机概述 支持向量机是一种监督学习算法，主要用于分类和回归分析。它在解决小样本、非线性以及高维数问题上表现出色。 2. 基本概念 2.1 间隔（Margin） 间隔是数据点到决策边界（超平

1. M-P神经元模型 M-P神经元（McCulloch-Pitts Neuron）是神经网络的基础单元。它接收多个输入信号，通过权重加权求和，并与阈值进行比较，然后通过激活函数得到输出。 公式表示如

1. 决策树基本概念 决策树是一种基于树状结构进行决策的分类和回归模型。通过对数据进行属性测试，将样本分成不同的类别，最终形成叶子节点。每个非叶节点表示一个属性测试，每个叶子节点表示一个分类结果。 2

线性判别分析（LDA）概述 定义 线性判别分析（Linear Discriminant Analysis, LDA）是一种用于分类和降维的统计技术。它通过在特征空间中寻找一个最佳投影方向，使得不同类别

机器学习利用学习算法从数据中找出潜在规律，涉及监督和非监督学习。性能度量如错误率、精度、查准率、查全率和F1用于评估模型的好坏。数据集可以通过留出法、交叉验证法和自助法来评估。

1. 基本概念 对数几率回归（Logistic Regression），尽管名字中包含“回归”，但它主要用于分类任务。它通过使用线性回归模型的输出逼近真实标记的对数几率。 2. 对数几率函数 对数几率

线性回归 线性回归（linear regression）是一种用于预测回归问题的算法. 一、线性回归模型 线性回归是对“目标变量随着某个特征变量的增大而增大（或者减小）”这种关联性建模的方法。其假设目