2019-02-01老师好，最近几期的算法课内容量比较大，麻烦推荐一些相关的理论或案例的书籍，谢谢编辑回复: 关于书籍：
《Python数据挖掘与机器学习实战》 因为我在代码中用到sklearn比较多，可以结合这个来看，里面有一些关于sklearn数据集的练习，我在专栏中也用到过，你可以对应起来看
《白话大数据与机器学习》这本书主要讲算法原理，没有太多实战。想要对原理更深入了解的话可以看看
《利用Python进行数据分析》 这本相对基础，没有太多算法部分，主要是关于Python的使用：数据结构，NumPy，Pandas，数据加载、存储、清洗、规整、可视化等。
《精益数据分析》 这本书是将业务场景的，里面没有算法的部分，所以如果你想对业务场景有更深刻的理解，可以看下这本
关于项目实战
可以配合 https://www.kaggle.com/
比如你想做和SVM相关的，可以在kernels中搜索SVM
https://www.kaggle.com/kernels?sortBy=relevance&group=everyone&search=SVM&page=1&pageSize=20 23
2019-02-18有监督学习，就是告诉他这个是红的那个是蓝的。你给我分出红蓝
无监督，自己学会认识红色和蓝色，然后再分类
硬间接，就是完美数据下的完美情况，分出完美类
软间隔，就是中间总有杂质，情况总是复杂，分类总是有一点错误
核函数，高纬度打低纬度，展开编辑回复: 这个解释比较通俗易懂，大家都可以看看。
19
2019-02-09核函数，是一种格局更高的分类模式。通过它我们可以把原本混沌的一堆数据映射到高维，从上帝视角来对这些数据进行线性分类。
来，扔个二向箔🤣编辑回复: 对的，核函数就是从低维到高维的映射关系。如果从高维到低维进行维度压缩的话，可能就会变得混沌不可分。但是从低维到高维，属性维度增加了，可以在另一个空间中变得线性可分。
1 7
2019-02-271. 有监督学习and无监督学习
有监督学习，即在已有类别标签的情况下，将样本数据进行分类。
无监督学习，即在无类别标签的情况下，样本数据根据一定的方法进行分类，即聚类，分类好的类别需要进一步分析后，从而得知每个类别的特点。
2. 硬间隔、软间隔、核函数
使用SVM算法，是基于数据是线性分布的情况，这时使用硬间隔的方法分类数据即可。但实际情况下，大部分数据都不属于线性分布，即通过软间隔、核函数处理后，使得数据可以利用SVM算法进行分类。软间隔是通过允许数据有误差，不是绝对的线性分布；核函数是通过将非线性分布的数据映射为线性分布的数据。展开编辑回复: 解释的很清晰，大家可以看下。
4
2019-02-03硬间隔，我认为就像线性回归一样，一条直线粗暴的画出边界，然后回答YES OR NO。
软间隔，我认为类似逻辑回归，会绕一下弯子，最后给出的答案是一个概率。
以上两种方式都是处理线性可分的数据，但碰到线性完全分布开的非线性数据的时候，就需要用到核函数，核函数主要是通过把低维的数据映射到高纬，产生一个落差，并给出一个超平面来划分。
不知道我理解的对不对，希望老师回答YES OR NO编辑回复: 是的，可以这么理解。核函数与硬间隔、软间隔 不是在同一个维度，是从低维到高维空间的映射，因为在同一个维度上已经无法线性可分。而硬间隔、软间隔主要对线性可分的容错率。硬间隔可以完美切分样本，但是软间隔就需要允许有一定的样本分类错误。
3
2019-02-16老师好，这一块的数学原理讲的有点少了吧，能不能讲讲拉格朗日对偶和kkt编辑回复: 这一块适当屏蔽了一些数学原理，关于拉格朗日对偶和kkt的推导就省略了，感兴趣的同学可以看下SVM原理中的这部分。
1- 2019-02-02老师，多分类器用的是集成法吗？ 1
2019-11-13那句"灵机一动,猛拍一下桌子"真的是神来一笔,哈哈哈哈哈哈作者回复: 哈哈 确实 很形象
2019-11-13硬间隔：需要完全分开
软间隔：允许有个别点分类错误
核函数：转换到更高维度来达到分类效果
还有想问下为什么说落在超平面上的点就是支持向量？
2019-11-08老师，这里面用二分类算法实现多分类怎么用，比如一对多分类，一个测试样本分别用这几个训练模型去匹配，的到的结果难道是百分比吗？哪个大属于哪个分类？
2019-06-06老师，能不能讲讲这些分类算法的区别？尤其是二分类算法，在使用时怎样进行选择呢？谢谢
2019-05-17监督学习适用于打标签的数据。无监督学习适于用没有标签的数据。
SVM的硬间隔是指线性分类器完全线性可分，软间隔是指允许线性分类器有一定的分类错误。核函数是针对非线性可分的情况提出来的，可以利用核函数把样本空间投射到高维空间，然后再利用线性分类器进行分类。
2019-04-18告诉机器，给它一些数据，这部分数据一些是数据集合A，一部分是属于集合B，然后让机器去把数据往集合A和集合B里去划分，这是有监督学习；同样的数据给机器，只是告诉它去做划分和归类，这是无监督学习，类似于孩子的放养。
硬间隔：表示得到的分类间隔即超平面 能完美的划分数据，不存在划分错误的情况，即零误差
软间隔：表示得到的分类间隔，没有达到完美的程度，对数据划分存在一定的误差
核函数：在数据分布无法用线性函数来表示的时候，需要对数据进行划分的标准变成来非线性的，这个时候就需要用到一种函数名叫核函数，核函数要做的工作是将原来的映射关系在更高维度的空间重新映射，使得新的映射关系变得线性可分。展开作者回复: 对的 整理的不错 滢
- 2019-04-12有监督学习就是在训练组中已知数据的结果，可以对模型的训练进行Supervise监督。无监督就是拿到手的训练集并不知道分类情况，要根据算法来区分并生成对应的结果。
硬间隔是理想化的世界，非红即白，不允许出错。软间隔有容错率更现实点，包容性强，更有普适性。核函数可以在原本训练集中多加一维，让分类更容易。 
2019-03-29有监督学习和无监督学习的根本区别，就是训练数据中是否有标签。监督学习的数据既有特征又有标签，而非监督学习的数据中只有特征而没有标签。
监督学习是通过训练让机器自己找到特征和标签之间的联系，在以后面对只有特征而没有标签的数据时可以自己判别出标签。
非监督学习由于训练数据中只有特征没有标签，所以就需要自己对数据进行聚类分析，然后就可以通过聚类的方式从数据中提取一个特殊的结构。
2、硬间隔、软间隔和核函数
硬间隔指的就是完全分类准确，不能存在分类错误的情况。软间隔，就是允许一定量的样本分类错误。
线性不可分的情况下，可以使用核函数将样本从原始空间映射到一个更高维的特质空间中，使得样本在新的空间中线性可分。展开作者回复: 总结的不错
2019-03-26有点烧脑了，慢慢消化，感觉一篇文章要花几个小时才能消化。
2019-03-16SVM如何与回归应用联系起来？
2019-02-28能讲解一下什么叫做“线性不可分”么？对这个知识点不是很了解，结果导致文章后面的知识点没有怎么理解
2019-02-211、有监督学习和无监督学习的理解
有监督学习和无监督学习的根本区别，就是训练数据中是否有标签。监督学习的数据既有特征又有标签，而非监督学习的数据中只有特征而没有标签。
监督学习是通过训练让机器自己找到特征和标签之间的联系，在以后面对只有特征而没有标签的数据时可以自己判别出标签。
非监督学习由于训练数据中只有特征没有标签，所以就需要自己对数据进行聚类分析，然后就可以通过聚类的方式从数据中提取一个特殊的结构。
2、硬间隔、软间隔和核函数
硬间隔指的就是完全分类准确，不能存在分类错误的情况。软间隔，就是允许一定量的样本分类错误。
它可以将样本从原始空间映射到一个更高维的特质空间中，使得样本在新的空间中线性可分。展开作者回复: 很好的总结
2019-02-15核心在于数据是否线性可分，以及容错能力强弱。
硬间隔和软间隔都是处理线性可分的情况，区别在于容错能力。
核函数用于处理线性不可分情况，将现有数据进行升维，达到线性可分，再进行类别划分处理。作者回复: 对的