支持向量机(SVM) 是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以将问题化为一个求解凸二次规划的问题。与逻辑回归和神经网络相比，支持向量机在学习复杂的非线性方程时提供了一种更为清晰、更加强大的方式。具体来说：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，加入松驰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

探索k-近邻算法及其分类器实现

线性回归利用大量的样本xiyii1Nxi​yi​i1N​，通过有监督的学习，学习到由x到y的映射f，利用该映射关系对未知的数据进行预估，因为y为连续值，所以是回归问题。单变量情况多变量情况：二维空间的直线，转化为高维空间的平面线性回归的表达式假设函数线性回归的假设函数优化方法监督学习的优化方法=损失函数+对损失函数的优化损失函数如何衡量已有的参数θ\thetaθ的好坏？

性能度量是对学习器的泛化性能进行评估，不仅需要有效可行的实验估计方法，还需要有衡量模型泛化能力的评价标准，这就是性能度量。# 生成数据# 划分训练集和测试集# 训练 KNN 模型# 预测概率# 计算 PR 曲线pr_auc = auc(recall[::-1], precision[::-1]) # 确保 recall 是单调递增的# 计算 ROC 曲线# 绘制 PR 曲线# 绘制 ROC 曲线p

在朴素贝叶斯中，若某个属性值在训练集中没有与某个类同时出现过，则训练后的模型会出现 over-fitting 现象。比如 “敲声=清脆” 测试例，训练集中没有该样例，因此连乘式计算的概率值为0，无论其他属性上明显像好瓜，分类结果都是 “好瓜=否” ，这显然不合理。

①整体框架主要采用了Flask框架技术，用于前后端之间数据传输；②语义理解主要是采用BERT模型，用于计算问句的语义向量；③相似度匹配是用混合检索技术，主要是用于计算问句的相似度。模块功能技术举例说明动态校准策略强化高相似度区域划分域区分BERT余弦 + Sigmoid + 加权补偿将 0.88、0.90、0.93 差异拉大关键词增强机制弥补语义遗漏关键词问题jieba分词+TF-IDF共现{“修