本文讲述bootstrap的原理，应用以及python实现

* * *The Machine Learning Noting Series* * *1. 支持向量回归的基本思路与优点ε-带与“管道”决定“管道”宽度的可调参数ε2. 支持向量回归的目标函数和约束条件目标函数约束条件3. python实现如上左图所示，支持向量机使用核函数给出一个弯曲多变的不规则超平面（中间的曲线即回归线）。这是一个复杂的模型，因其预测结果对训练集中数据的微小波动较为敏感，故预

* *heachineearningoting泛化误差估计💠训练集：用于训练模型的数据集称为（training set），其中的样本观测称为“袋内观测”。💠训练误差：即经验误差，是基于训练集“袋内观测”建模并计算得到的模型误差。例如，回归中基于训练集（样本量为是基于“袋外观测”的误差，而非训练误差。训练误差作为泛化误差的估计，原因是：①未来的新数据集都是“袋外观测”（Out of Bag，OO

* *heachineearningoting泛化误差估计💠训练集：用于训练模型的数据集称为（training set），其中的样本观测称为“袋内观测”。💠训练误差：即经验误差，是基于训练集“袋内观测”建模并计算得到的模型误差。例如，回归中基于训练集（样本量为是基于“袋外观测”的误差，而非训练误差。训练误差作为泛化误差的估计，原因是：①未来的新数据集都是“袋外观测”（Out of Bag，OO

* * *The Machine Learning Noting Series* * *1. 支持向量回归的基本思路与优点ε-带与“管道”决定“管道”宽度的可调参数ε2. 支持向量回归的目标函数和约束条件目标函数约束条件3. python实现如上左图所示，支持向量机使用核函数给出一个弯曲多变的不规则超平面（中间的曲线即回归线）。这是一个复杂的模型，因其预测结果对训练集中数据的微小波动较为敏感，故预

本文讲述bootstrap的原理，应用以及python实现