本人经常在Typora上写markdown文档，所以图片的存储地址一直在本地，想要把markdown上传到csdn和知乎就需要重新上传图片，非常的麻烦。但是我可以把Typora的markdown文档export为word格式导入到知乎，这样知乎既能显示文字格式也能显示图片，非常的方便，而CSDN不可以，于是搜集资料，发现可以把图片存储在云上，比如GitHub和gitee等，这样可以直接引用url格

本文摘要：本文介绍了机器学习中的模型评估与改进方法，重点讨论了如何诊断和解决偏差（欠拟合）与方差（过拟合）问题。主要内容包括：1）通过训练集/测试集划分评估模型性能；2）使用交叉验证集进行模型选择；3）分析学习曲线判断偏差或方差问题；4）调整正则化参数λ来平衡模型复杂度；5）针对不同问题给出具体改进建议（如增加数据、调整特征、修改正则化程度等）。文章强调应根据诊断结果选择合适的优化方向，避免盲目尝

本文介绍了支持向量机（SVM）的核心概念及其数学原理。SVM是一种基于间隔最大化的线性分类器，通过硬间隔或软间隔处理线性可分或近似线性可分数据，并利用核技巧解决非线性问题。关键点包括： 函数间隔与几何间隔：几何间隔是点到超平面的真实距离，SVM通过最大化几何间隔提高鲁棒性。 支持向量：距离超平面最近的样本点决定了决策边界，使SVM对小样本数据表现良好。 间隔最大化：SVM通过优化目标函数最小化参数

本文介绍了两种经典机器学习算法：K近邻法(KNN)和朴素贝叶斯分类器。KNN通过计算待分类点与训练集中k个最近邻的距离进行分类，核心要素包括距离度量、k值选择和分类决策规则。为提高搜索效率，可采用kd树数据结构进行优化。朴素贝叶斯基于贝叶斯定理和特征条件独立假设，通过先验概率和条件概率计算后验概率进行分类，适用于文本分类等场景，采用拉普拉斯平滑处理零概率问题。两种方法分别代表判别式和生成式分类器的

决策树是一种用于分类和回归的树形模型，通过递归选择最优特征构建内部节点和叶节点，实现对数据的分类。其核心流程包括特征选择、决策树生成和剪枝。特征选择常用信息增益或基尼指数衡量特征分类能力。ID3和C4.5算法分别使用信息增益和信息增益比，后者解决了连续特征处理和过拟合问题。CART算法采用二叉树结构和基尼指数，适用于分类和回归。决策树容易过拟合，需通过剪枝优化模型复杂度。不同算法各有优劣，需根据具

决策树是一种用于分类和回归的树形模型，通过递归选择最优特征构建内部节点和叶节点，实现对数据的分类。其核心流程包括特征选择、决策树生成和剪枝。特征选择常用信息增益或基尼指数衡量特征分类能力。ID3和C4.5算法分别使用信息增益和信息增益比，后者解决了连续特征处理和过拟合问题。CART算法采用二叉树结构和基尼指数，适用于分类和回归。决策树容易过拟合，需通过剪枝优化模型复杂度。不同算法各有优劣，需根据具

决策树是一种用于分类和回归的树形模型，通过递归选择最优特征构建内部节点和叶节点，实现对数据的分类。其核心流程包括特征选择、决策树生成和剪枝。特征选择常用信息增益或基尼指数衡量特征分类能力。ID3和C4.5算法分别使用信息增益和信息增益比，后者解决了连续特征处理和过拟合问题。CART算法采用二叉树结构和基尼指数，适用于分类和回归。决策树容易过拟合，需通过剪枝优化模型复杂度。不同算法各有优劣，需根据具