讲述了机器学习基础环境配置——Anaconda和PyCharm的安装及配置

是一类按方式对数据进行二元分类的广义线性分类器（Generalized Linear Classifier），其决策边界是对学习样本求解的。支持向量机在各种实际问题上都表现优秀，在手写体识别和人脸识别应用广泛，在文本和超文本分类上，因为可以大量减少标准归纳和转换设置中对标记训练实例的需求，也是举足轻重的存在。另外，支持向量机也被用在图像分类，图像分割系统，在生物学和其他科学上支持向量机也备受青睐。

k-近邻算法（k-Nearest Neighbor Alogorithm，后简称kNN算法）是机器学习算法中最基础也最简单的算法之一。它是有监督学习中的分类算法，可以用于分类数据和预测结果，通常被用于分类。

虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。指在事件发生后得到的“修正”概率，即通过事件发生后得到的数据计算出的概率。，是指在某个参数或假设成立的前提下，观察到的当前数据的概率。贝叶斯定理将先验概率转化为后验概率，即使用所谓“以往的经验”去计算“新数据更新后的结果”

决策树（Decision Tree）是一种以树形结果展示决策规则和分类结果的模型。作为一种归纳算法模型，它可以从看似无序、杂乱的数据中提取出数据分类的规律，并用其进行新数据分类或预测。决策树可被用于解决分类和回归问题。例如：通过一个西瓜的多种特征，如其纹理、色泽、触感，等判断其是否是好瓜；或通过一天的天气情况，如是否晴天、风力大小、空气湿度等，判断这一天是否适合进行户外运动等。

讲述了机器学习基础环境配置——Anaconda和PyCharm的安装及配置

是一类按方式对数据进行二元分类的广义线性分类器（Generalized Linear Classifier），其决策边界是对学习样本求解的。支持向量机在各种实际问题上都表现优秀，在手写体识别和人脸识别应用广泛，在文本和超文本分类上，因为可以大量减少标准归纳和转换设置中对标记训练实例的需求，也是举足轻重的存在。另外，支持向量机也被用在图像分类，图像分割系统，在生物学和其他科学上支持向量机也备受青睐。

决策树（Decision Tree）是一种以树形结果展示决策规则和分类结果的模型。作为一种归纳算法模型，它可以从看似无序、杂乱的数据中提取出数据分类的规律，并用其进行新数据分类或预测。决策树可被用于解决分类和回归问题。例如：通过一个西瓜的多种特征，如其纹理、色泽、触感，等判断其是否是好瓜；或通过一天的天气情况，如是否晴天、风力大小、空气湿度等，判断这一天是否适合进行户外运动等。

现实任务中，我们经常面对多模型选择的难题：同一个问题，有不同的模型可供选择，甚至对同一种模型使用不同的参数配置，也会使模型的性能产生不同的变化。**ROC曲线（Receiver Operating Characteristic Curve）**是以TPR为纵轴，FPR为横轴，通过调整分类阈值，获取不同阈值下的TPR和FPR值，并将其各点连线而成的曲线。最后得到的评估数据即为k次评估的均值。对学习器

虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。指在事件发生后得到的“修正”概率，即通过事件发生后得到的数据计算出的概率。，是指在某个参数或假设成立的前提下，观察到的当前数据的概率。贝叶斯定理将先验概率转化为后验概率，即使用所谓“以往的经验”去计算“新数据更新后的结果”