1.解决回归问题；2.思想简单，实现容易；3.是许多强大的非线性模型的基础；4.结果具有很好的可解释性；5.蕴含机器学习中的很多重要思想；样本特征x只有一个称为简单的线性回归；不用绝对值是因为其不能保证在之后的算法中处处可导；因此我们选择了真值与预测值差之平方来表示偏差；推出来这个式子之后我们的目标就是使其尽可能地小；——典型的最小二乘法的问题目标，其实就是找到一个模型最大程度拟合我们的数据，在线

使用支撑向量机的思想既可以解决分类问题也可以解决回归问题，先记录分类问题的解决，之后再回归；关于分类，决策边界有不唯一的问题，通常称为不适定问题。机器学习很重要的一个特性就是算法的泛化能力，也就是说求出决策边界之后，这个决策边界对于带预测的样本是否是一个好的决策边界，能否非常好的预测未知数据相应的分类结果，要知道对未知数据进行预测分类是机器算法的最终目的；故而关于决策边界的划分很重要；我们期望决策

此处我创建一个环境名为hands3dtext，环境版本为3.7.2的初始环境。如果觉得安装太慢可以切换国内镜像源进行安装，执行如下命令即可。注意：安装mediapipe首先安装opencv,终端执行。如上前面小括号显示表示激活成功，此时正处于虚拟环境。注意安装前要确认安装cpu还是gpu的版本。我还需要安装tqdm模块（根据个人需要）然后安装mediapipe，终端执行。接下来就可以安装所需的一切

学习request的使用，在用之前，用官方文档提供的接口：https://api.github.com/events；ctrl+鼠标左键可以进入被调用函数源码，可以看到第一个参数URL是必须参数，params是选填，**kwargs是关键字参数。

机器学习12支持向量机SVM(处理非线性数据)

在运行机器算法之前需要指定的参数，knn算法里面的k就是一个最为典型的超参数；此处与超参数相对应的就是模型参数：算法过程中学习的参数；KNN算法中没有模型参数，KNN算法中的k是典型的超参数调参调的参数也是超参数；通过领域知识，经验数值，实验搜索；这就是一个调参的过程，也就是面对一个算法去寻找最好的超参数的值（超参数问题之上改进一个bug）普通的k近邻算法，比如说k取三的时候，我们就找到当前离预测

衡量线性回归法的指标之一，就是这么一个衡量标准，让误差和尽可能小，但是这里有一个问题就是m的大小会对衡量造成影响，因此此处引入MSE均方误差（Mean Squared Error）、RSE均方误差（Root Mean Squared Error）、平均绝对误差MAE（Mean Absolute Error）在解决分类问题的时候，我们评价分类的准确度1代表最好0代表最差，取值在0-1之间；MSE R

机器学习12支持向量机SVM(处理非线性数据)

k近邻算法是一个解决分类问题的算法，天然可以解决多分类问题；不仅如此，k近邻算法还可以解决回归问题；

半监督学习：面对的数据集一部分有“标记”或者“答案”，另一部分数据没有；非参数学习：不对模型进行过多的假设，非参数学习不等于没有参数，只是不把问题当成一个建模，不把整个问题理解成学习一些参数，但是在学习过程中仍然是需要参数的参与；学习入门机器学习经典算法（KNN、线性回归、多项式回归、逻辑回归、模型正则化、PCA、SVM、决策树、随即森林、集成学习、模型选择、模型调整）与应用；增强学习：根据周围环