支持向量机高斯核调参小结
在支持向量机(以下简称SVM)的核函数中，高斯核(以下简称RBF)是最常用的，从理论上讲， RBF一定不比线性核函数差，但是在实际应用中，却面临着几个重要的超参数的调优问题。如果调的不好，可能比线性核函数还要差。所以我们实际应用中，能用线性核函数得到较好效果的都会选择线性核函数。如果线性核不好，我们就需要使用RBF，在享受RBF对非线性数据的良好分类效果前，我们需要对主要的超参数进行选取。本文我们就对scikit-learn中 SVM RBF的调参做一个小结。……
标签：支持向量机
使用jieba和sklearn实现中文文本tf idf的计算
Sklearn安装简介及入门示例。
定义模型：线性回归、朴素贝叶斯、决策树、支持向量机、k近邻算法……
线性不可分支持向量机
在前一篇 线性支持向量机 中已经知道通过支持向量能够找到一个超平面，将两类样本正确划分。但是实际生活中，原始的样本空间中可能并不存在这样的超平面将两类样本正确划分，也就是线性不可分，支持向量机通过将原始特征空间映射到高维特征空间来解决样本线性不可分的情况。……
线性支持向量机模型
和感知机模型一样，SVM（支持向量机模型）也是旨在求出n维空间的最优超平面将正负类分开。这里的达到的最优是指在两类样本点距离超平面的最近距离达到最大，间隔最大使得它区别于感知机学习，SVM中还有核技巧，这样SVM就是实际上的非线性分类器函数。……
支持向量机(SVM)Python实现
支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类（binary classification）的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）……
