在《统计学习方法》的感知机算法章节中，作者提出了一个问题，即如何证明一个线性可分的数据集，可以在有限次的迭代后得到这个分离超平面。我们称在有限次迭代后获得分离超平面的性质为感知机算法的收敛性。对于一个线性不可分的数据集，感知机模型将进入无法收敛的状态，即无法获得一个可以将所有实例正确分类的分离超平面，而是在迭代过程中进入震荡。

本文包括：走近朴素贝叶斯 - 上帝到底掷不掷骰子重要概念贝叶斯公式的一般形式朴素贝叶斯的基本方法贝叶斯估计其它有关数据分析，机器学习的文章及社群朴素贝叶斯 - 贝叶斯估计Python复现：舟晓南：朴素贝叶斯（Bayes）模型python复现 - 贝叶斯估计；下溢出问题1.走近朴素贝叶斯 - 上帝到底掷不掷骰子：上帝到底掷不掷骰子，这个问题精准地概括了相对论和量子力学之间的矛盾，即我们这个世界到底是

离散型随机变量和连续型随机变量之间最根本的区别在于，二者在概率计算上是不同的。对一个离散型随机变量，概率函数f（x）给出了随机变量x取某个特定值的概率。而对连续型随机变量，与概率函数相对应的是概率密度函数（ probability density function），也记作f（x）.不同的是，概率密度函数并没有直接给出概率。但是，给定区间上曲线f（x）下的面积是连续型随机变量在该区间取值的概率。因

为了更好的理解，我们再看下标i还出现在权值和权值的更新值上，这说明实际上每一个特征函数fi(x, y)都对应了一个权值wi，对于一个特定的实例来说，如果它符合f1(x, y)的规则，那么权值w1就会作用在这个实例上，也就是说在预测或者分类的时候，模型会考虑f1(x, y)所代表的特征，如果该实例不符合f2(x, y)，那么w2就不会作用在这个实例上，毕竟f2(x, y)=0，这样模型在预测或分类时

人是群居动物，这不仅是因为整个社会运转需要各种各样的人才进行劳动分工和资源交换，还因为人本性上需要认同感，不仅是身份认同，还希望对他的行事风格的，性格的，爱好的，外表的等等方面的认同。

本文包括：支持向量机简介线性可分支持向量机模型的形式函数间隔和几何间隔间隔最大化问题（最大间隔法）对偶算法利用KKT求最优w和b其它有关数据分析，机器学习的文章及社群1.支持向量机简介：支持向量机是一种二分类模型，与感知机类比，其相同之处在于它也是需要找到一个超平面对数据集进行分割，区别在于，感知机模型得到的超平面空间中可以有无穷个超平面，但支持向量机仅含有一个，这一个超平面与样本点的间隔是最大化

为了更好的理解，我们再看下标i还出现在权值和权值的更新值上，这说明实际上每一个特征函数fi(x, y)都对应了一个权值wi，对于一个特定的实例来说，如果它符合f1(x, y)的规则，那么权值w1就会作用在这个实例上，也就是说在预测或者分类的时候，模型会考虑f1(x, y)所代表的特征，如果该实例不符合f2(x, y)，那么w2就不会作用在这个实例上，毕竟f2(x, y)=0，这样模型在预测或分类时

人是群居动物，这不仅是因为整个社会运转需要各种各样的人才进行劳动分工和资源交换，还因为人本性上需要认同感，不仅是身份认同，还希望对他的行事风格的，性格的，爱好的，外表的等等方面的认同。

本文包括：最大熵模型简介最大熵的原理最大熵模型的定义最大熵模型的学习其它有关数据分析，机器学习的文章及社群1.最大熵模型简介：最大熵原理认为，学习概率模型时，在所有可能的概率模型（分布）中，熵最大的模型是最好的模型。通常用约束条件来确定概率模型的集合，所以，最大熵原理也可以表述为在满足约束条件的模型集合中选取熵最大的模型。离散随机变量X的概率分布是P(X)，则其熵是：式中，|X|是X的取值个数，当

本文包括：支持向量机简介线性可分支持向量机模型的形式函数间隔和几何间隔间隔最大化问题（最大间隔法）对偶算法利用KKT求最优w和b其它有关数据分析，机器学习的文章及社群1.支持向量机简介：支持向量机是一种二分类模型，与感知机类比，其相同之处在于它也是需要找到一个超平面对数据集进行分割，区别在于，感知机模型得到的超平面空间中可以有无穷个超平面，但支持向量机仅含有一个，这一个超平面与样本点的间隔是最大化