先利用第一个函数，获得人脸包围框，这里需要注意当没有人脸的时候后面循环操作不再进行，程序就是停止。ageProto，genderProto，faceProto这些是模型的配置文件也就是网络结构文件，定义了模型计算图结构，层类型，输入输出尺寸等信息。readNet是dnn神经网络中的一个函数，它用于从磁盘加载已经训练完成并保存好的模型文件。ageModel，genderModel，faceModel

并结合之前对图片和视频的其他处理，会发现，视频的处理都是获取每一帧图片进行处理，本质上就是处理图片。图像膨胀就是让图像胖一些，会发现文字的变粗了，图像膨胀也可以通过调节矩阵大小和iterations来调整膨胀效果。开运算，先腐蚀后膨胀，把噪声消除后，在对重要信息进行膨胀，使得更清晰，当然这里也是可以修改矩阵大小进行效果的调整。保持矩阵大小为（3,3），修改iterations的值为3，会发现腐蚀效

都很好理解，只有这个shape，v.shape这里是（5，）是对一维数组的特殊表达方式，根据对m的shape理解，（3，5）表示三行五列，或许v的shape能写为（1，5）意思为一行五列，但其实这是错误的。例如这里c变量，2和：之间的逗号意思就是分隔行和列的，整体意思就是选取0~2行不包含2，的全部列数据，这里的：如果不是数字是冒号就代表全部，再举一个例子，这里的e变量表示的就是全部行的第三列的数

在了解matplotlib库和sklearn库前我们先补充一些pandas库中dataframe的常见用法，在后面机器学习中会经常用到。用来做数据分析和预测建模的第三方库，是python的机器学习库，需要先下载，为了以后学习方便，这边我下载的是1.0.2版本。matplotlib库是用来画图的第三方库，数据可视化，需要先下载，调用的pyplot是生成一个绘画板。loc是根据行名列名进行选取的，il

这里我们把前三列作为xyz轴空间坐标系的三个变量，最后的标签呈现以不同色不同形状的点，这样可以清晰观察到三种不同类别的人群，那么我们大一新生收集到三个信息，也就可以在图上标出点，然后选距离最近的k个数据，例如选择的五个，其中三个是红色，一个是蓝色一个是黄色，那么该学生就会被分到红色类中也就是标签1，爱好学习的学生，这就是分类。根据上面两个例子，我们能发现，第一个宿舍分配中，三个数据的数值所在范围相

另外我们这里的数据是经过z标准化处理过的，由数值有正有负可以看出，其中有Amount列没有标准化，Time是用户登记的时间，一般银行进行业务的窗口不止有一个，所以时间有一样的，这里Time并没有什么用，前面都是数据，最后target就是最后结果。选择的标准其实就是，w1权重，有三个零，这样无论未知数为多少，都为0，只有x1自己发挥作用，而w2中权重分布比较均匀，每个未知数值都能发挥其值的作用。欠拟

k取值多少我们就把原来的训练集分为几份，c取某个值的时候每一份依次做验证集，这样就保证了分出去当验证集的数据也能当训练集训练模型，分成几份就会得到几个结果，把结果求平均值就可以作为该c值下的结果。拟合数据无非就是在同一类中挑选俩个数据取中间的一些值，就像我们knn算法中，相同一类在一起那我们在同一类的内部拟合数据自然也就是这类的，拟合数据就是这样一个过程。想法是正确的但是用测试集一点一点的推测c值

特征中经过计算没有合适的，需要一直进行判断，导致决策树层数很多，说白了不是分类了，到最后几乎每一条数据就是一类了，然后我们输入数据进行分类，根本没有合适的类别给这个数据，这个就是过拟合，之前学习逻辑回归时也说过过拟合，就是模型分的过于细而导致的。召回率为1是最好的，在纵轴上找到1，画平行于横轴的一条直线，FPR值为多少都无伤大雅，也找到1，画垂直于横轴的直线，这样两条直线和坐标轴形成的正方形，面积

很多个决策树，把数据给每个决策树，但是这个数据是随机选择一些数据给一个决策树，下一个决策树在进行随机选取，每个决策树得到的数据不是百分百，且是随机的，很多个决策树虽然没有学百分百，但很多个一共就学了全部的数据，，除此之外，也不是所有特征都给一个决策树，特征也随机。也就是我们输入一个数据，数据中中没有这种情况，此时就要求出这条数据是某个类别的概率，也就是为1的概率，和为0的概率，谁概率大就可能属于哪

这个式子就是我们经过推导所得到的，意思是数据点要在某一侧，且距离直线（超平面）距离至少为1（为什么为1，是因为无论平面还是空间，所构造的平面坐标或者空间坐标系的刻度都是可规定的，也就相当于把间隔归一化处理了，这个也是一种数学方法）过程：对于一个分类问题svm算法是找出最优的直线，除了能分开类别之外，这里还有两个变量是相互制约的，也就是我们要根据直线找出距离最近的数据点，同时这条直线要离这些数据点距