西瓜书第六章——支持向量机前言一、间隔与支持向量1.1、算法原理1.2、超平面1.3、几何间隔1.4、支持向量机1.4.1、模型1.4.2、策略二、对偶问题2.1、凸优化问题2.2、拉格朗日对偶问题2.3、拉格朗日对偶代入主问题三、软间隔与支持向量回归3.1、软间隔3.2、支持向量回归总结前言假设这里有一个包含两类的样本数据集 D（该数据集是线性可分的），那么这种简单的二分类问题，我们最基本的的思

sklearn学习笔记——task02前言一、线性SVM1.1、算法原理1.2、代码实现二、核函数和非线性SVM2.1、从线性可分到线性不可分2.2、核函数2.2.1、多项式核函数2.2.2、高斯核函数2.3、测试不同SVM在Mnist数据集上的分类情况前言本篇给出sklearn中 SVM（支持向量机）的一些常用模型的实现，线性分类问题一般可用 线性SVM模型来解决；非线性分类问题可以使用多项式S

sklearn学习06——PCA前言一、PCA的核心思想1.1、PCA的原理1.2、PCA的大致流程1.3、样本信息量的衡量二、sklearn实现PCA过程2.1、引入相关库2.2、利用PCA降维2.3、不同主成分个数对应的可解释方差分析(Explained Variance)总结前言主成分分析（principal component analysis）是一种常见的数据降维方法，其目的是在“信息”

sklearn学习07——集成学习前言一、集成学习1.1、什么是集成学习？1.2、Boosting 算法二、AdaBoost算法及实现2.1、AdaBoost算法2.2、调sklearn库实现Adaboost算法总结前言集成学习是目前各类竞赛（比如Kaggle，天池等）和工程中应用最广泛的模型提升方法。它确实也取得了不错的效果，在保证准确度的同时也提升了模型防止过拟合的能力。下面我们通过这篇文章了