C=10 是多数常规场景下的默认选择，此时模型能完美平衡 “间隔宽度” 和 “分类准确率”—— 生成的分类间隔处于中等水平，既不会过宽也不会过窄，同时所有样本都能被正确分类，不存在 “越界” 情况。在聊 C 之前，先快速回顾 SVM 的核心逻辑，用通俗的话讲：SVM 的目标是在两类样本之间找一条分类边界，同时让 “边界到两类样本的最短距离（间隔）” 尽可能大 —— 相当于在马路中间修隔离带，既要把

比如飞行里程数的范围是 0~134000，那么 134000 归一化后是 1，400 归一化后是 400/134000≈0.003，这样就和其他特征的量级一致了。K 值选择：目前 K=3 是经验值，可通过 “交叉验证” 选最优 K（比如用 5 折交叉验证，测试 K=1/3/5/7，选准确率最高的 K）；K 近邻的核心逻辑可以总结为 “近朱者赤，近墨者黑”—— 未知样本的类别，由它周围 “最近的 K

离散特征包括：色泽、根蒂、敲声、纹理、脐部、触感。连续特征（密度、含糖率）假设服从正态分布，我们先计算每个类别下连续特征的均值和方差，再用正态分布概率密度函数计算概率。根据朴素贝叶斯公式，计算测试样本属于 “好瓜” 和 “坏瓜” 的后验概率，取较大值作为分类结果。通过 Python 实现的朴素贝叶斯分类器，成功判断出 “测 1” 是好瓜，和理论计算结果一致。缺点是依赖 “特征独立” 假设（实际中特