在线性可分时，在原空间寻找两类样本的最优分类超平面。在线性不可分时，加入松弛变量并通过使用非线性映射将低维度输入空间的样本映射到高维度空间使其变为线性可分，这样就可以在该特征空间中寻找最优分类超平面。# 转换为小写# 移除HTML标签、处理URLs、电子邮件地址等# ... 其他替换规则 ...# 分词处理!# 初始化单词索引列表# 读取词汇表并处理每个单词# 移除非字母字符并检查单词长度cont

学习这个关于滑动窗口最大值的题目，能带来多方面深刻体会。在算法思维上，明白了如何通过巧妙的数据结构（双端队列）和逻辑设计（维护单调队列），将看似复杂的滑动窗口问题简化，高效解决。这有助于培养化繁为简、创新解题的思维模式。从数据结构运用角度，加深了对双端队列特性的理解，认识到它在灵活处理数据进出场景中的优势。

KNN算法是一种基本且常用的机器学习算法之一，用于分类和回归。它的基本思想是通过测量不同特征值之间的距离来进行分类，即将新数据的特征与训练集中的数据进行比较，并找到最相似（即最邻近）的数据。一般而言，在KNN算法中，通过选择K个最近邻的数据点，根据它们的类别信息来进行分类预测。这一过程可以用于解决分类问题，也可以用于回归分析。值得注意的是，KNN算法属于无参数学习方法，不需要事先对数据进行训练，因

决策树是一种常用的机器学习算法和决策分析工具，基于树结构进行决策，每个内部节点是一个属性上的测试，分支是测试输出，叶节点是类别或值，通过不断测试属性来将样本分类或预测值。决策树包括根节点内部节点和叶节点。根节点是决策树的起始点，内部节点表示对某个属性的测试，叶节点则代表最终的决策结果或类别。边用来连接各个节点，代表属性的取值或决策路径。

Logistic回归是一种广义线性回归（generalized linear model），因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同，都具有 w’x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w’x+b作为因变量，即y =w’x+b，而logistic回归则通过函数L将w’x+b对应一个隐状态p，p =L(w’x+b),然后根据p 与1-p的大小

决策树是一种常用的机器学习算法和决策分析工具，基于树结构进行决策，每个内部节点是一个属性上的测试，分支是测试输出，叶节点是类别或值，通过不断测试属性来将样本分类或预测值。决策树包括根节点内部节点和叶节点。根节点是决策树的起始点，内部节点表示对某个属性的测试，叶节点则代表最终的决策结果或类别。边用来连接各个节点，代表属性的取值或决策路径。

这是第一次尝试配置环境，是从网上找了很多教程一步步跟着做的。在跟步骤时，发现许多配置环境通用的条件。比如放置软件的文件夹不能用中文命名，且尽量简洁明了，方便查询具体路径。还有写代码条件时，所有符号都必须是英文的，中文的符号会导致输出结果不正确。

这是第一次尝试配置环境，是从网上找了很多教程一步步跟着做的。在跟步骤时，发现许多配置环境通用的条件。比如放置软件的文件夹不能用中文命名，且尽量简洁明了，方便查询具体路径。还有写代码条件时，所有符号都必须是英文的，中文的符号会导致输出结果不正确。

同时，算出AUC值。（2）欠拟合：欠拟合是机器学习中的一种情况，当模型在训练数据上表现的很差，无法捕捉到数据中的复杂模式，导致模型的泛化能力弱，这通常表现为模型在训练集和验证集上的误差都很高。（3）误差：学习器的实际预测输出与样本的真实输出之间的差异称为“误差”，学习器在训练集上的误差称为“训练误差”或“经验误差”，在新样本上的误差称为“泛化误差”。将数据集分层采样划分为k个大小相似的互斥子集，每

这是第一次尝试配置环境，是从网上找了很多教程一步步跟着做的。在跟步骤时，发现许多配置环境通用的条件。比如放置软件的文件夹不能用中文命名，且尽量简洁明了，方便查询具体路径。还有写代码条件时，所有符号都必须是英文的，中文的符号会导致输出结果不正确。