引入 上图中黑色和白色的点分别代表一类事物，我们想用一条直线把这两类事物区分开，显而易见红线区分最好，那么为什么红线区分最好呢？ 这里引入了一个概念，边际。边际指的是做一个超平面，使得两侧离的最近的点的距离。 如何选取使边际(margin)最大的超平面 (Max Margin Hyperplane)？ 超平面到一侧最近点的距离等于到另一侧最近点的距离，两侧的两个超平面平行。 选取最大超平面 超

numpy用于矩阵计算，内置了大量矩阵计算的函数，并且速度也比列表快 创建 1234567import numpy as npa = [1, 2, 3]b = [[1,2], [2, 3], [5, 8]]c = np.array(a)d = np.array(b, int) 通过array就把列表转化成了numpy的矩阵 ones(shape, dtype): 这个是创建值全为1的

逻辑回归（logistic regression)非线性回归例子：.这个例子中的关系不能很好的用线性关系进行模拟，所以我们要另外做曲线模拟它。 为了更好的处理，还需要用sigmoid函数平滑化。 sigmoid函数图像为 所以预测函数为： 我们要求解的问题可以转化成，求解一组参数使得J()最小化。求解方法时求偏导让导数为零。 当然上面这个方法求解过于复杂，我们也可以使用梯度下降的方法。非线

基本概念简单线性回归指的是只有一个x和一个y 用来描述自变量和因变量及偏差之间关系的模型叫做回归模型 简单线性回归的模型是： b0是截距，b1是斜率，e是偏差。 关于偏差 他是一个随机变量，均值是0 它的方差对于所有自变量x是相同的 它的值是独立的 它满足正太分布 线性回归方程就是少了偏差，其他和基本模型是相同的。 我们现在给若干x和y，要解决的问题是找出最好的截距和斜率。 线性回归的求解我们

大致步骤KNN是最临近规则分类算法。 为了判断未知分类，我们需要用已知分类进行参照。 选择参照物个数k。 k的取值一般都比较小，可以是1,3,5,7等数，通过实验得知哪个比较好就用哪个。一般用奇数，避免两边数目相同 选择最近的k个实例然后看他们都属于哪个类，让这个实例成为数目最多的实例。 距离衡量方法 EUclidean Distance方法。和距离公式类似，对应特征值相减平方再开根号。

time time(): 输出从1970年1月1日到现在时间时间差（以秒为单位）。可以用来获取程序运行时间。 gmtime(): 获取utc时间。返回一个struct_time对象 localtime(): 获取本地时间,也是返回struct_time对象 ctime(): 获取本地时间的字符串 mktime(t): 把struct_time类型的t转化成时间差（从1970到现在） strft

requestsrequests用来爬取网站上的信息。有七个主要方法 r = requests.get(url， params， ** kwargs): url是你想爬取网站的url。通过get构造了一个向服务器请求资源的Request对象。返回一个包含服务器资源的Response对象。 head(): 获取网页头部信息 post(url, data, json, kwargs): 在后面添加数

事件处理事件就是状态改变时发出的信号，然后你可以通过绑定指定一个函数去处理。例如按下按钮就产生了一个事件，之后可以让一个函数去处理按下按钮之后的反应。 绑定函数使用 Bind(event, handler, source=None, id=wx.ID_ANY, id2=wx.ID_ANY).event是产生的事件，handler是处理事件的方法,source是触发事件的对象。 例如 Bind(wx

首先要了解红黑树. 顺序统计树指示在普通的红黑树上附加了一个参量，x->size。这个参量表示的是该节点的子树含有元素个数。 为了找出第i小的关键字，可以用： 123456789101112131415161718select(node* x, int i){ int r = x->left->size + 1; //x的序号，因为红黑树也是一个排序

Border边框边框创建与设置12Border border = BorderFactory.createXxxxBorder(...);jComponent.setBorder(border);//设置边框BorderFactory中的边框 使用BorderFactory中的静态方法创建边框 createEmptyBorder()： 空边框 createEmptyBorder(int top,