支持向量积的原理，网上已经有很多人解释了。支持向量机（SVM）——原理篇机器学习笔记（五）：支持向量机（SVM）支持向量机算法（SVM）详细讲解(含手推公式）但即使看了原理篇，依然有绊倒自己的地方，或许是自己数学基础跟不上各大阿婆主，只好自己列出困惑的数学问题。当数据集线性可分时，假设有一个线性函数能将数据集分类，这就是感知机模型该做的事：找到能让数据集线性划分的一个线性函数 y=∑wixi+by

电脑摄像头打开后，识别摄像头中的手势，进而控制小车的运行状态。麦轮特点：麦轮上装置一圈倾斜的麦粒，每一颗麦粒都是松动的。当车轴上的电机向前转动时，整个麦轮的运动方向会与麦粒呈直角，如图：由此设计一辆四个麦轮组成的小车如图特别要注意：麦轮安装的方向也会决定车的转动效果及方向整车运动状态，可分为前进、后退、左转、右转、左平移、右平移、停止下面有两种不同的麦轮安装方式，并呈现不同的车轮转动效果图小车有7

首先，构造决策树的过程如下：① 按特征划分群体，并计算衡量指标（信息增益、信息增益率、基尼系数）② 选取衡量指标表现最好的特征，对群体进行划分，并构建第一层树③ 重复①②步骤，当特征全被分完，或是类别唯一确定后，停止划分（还可以是其他条件）

最后拉格朗日对偶问题，是要求解MAXλL(λ)=∑λi−∑i=1n∑j=1nλiλjxixjyiyj2MAX_λL(λ)=∑λ_i-\frac{∑_{i=1}^n∑_{j=1}^nλ_iλ_jx_ix_jy_iy_j}{2}MAXλ​L(λ)=∑λi​−2∑i=1n​∑j=1n​λi​λj​xi​xj​yi​yj​​即，通过调整λ值，求解L函数极大值而Max:LMax: LMax:L可以转化为求M

但不同的是，随机森林是每个学习器都统计分类结果，采用票高者得的方式，获取最终分类结果。Adaboost，与随机森林相似，也是由多个学习器共同决定最终分类的。Adaboost，则是采用权重衡量学习器的分类结果。

随机森林这个内容，是目前来说。最最最简单，最好理解，应该也是最好实现的了！

但不同的是，随机森林是每个学习器都统计分类结果，采用票高者得的方式，获取最终分类结果。Adaboost，与随机森林相似，也是由多个学习器共同决定最终分类的。Adaboost，则是采用权重衡量学习器的分类结果。

感知机，应该是很简单的模型了。

略略翻了下书，差点儿窒息在床上…

随机森林这个内容，是目前来说。最最最简单，最好理解，应该也是最好实现的了！