前面的文章已经介绍了五种不同的分类器，它们各有优缺点。我们可以很自然地将不同的分类器组合起来，而这种组合结果则被成为集成方法(ensemble method)或者元算法(meta-...
机器学习机器学习实战教程（十）：提升分类器性能利器-AdaBoost
阅读全文
机器学习 机器学习机器学习实战教程（九）：支持向量机实战篇之再撕非线性SVM
上篇文章讲解的是线性SVM的推导过程以及简化版SMO算法的代码实现。本篇文章将讲解SMO算法的优化方法以及非线性SVM。
机器学习机器学习实战教程（八）：支持向量机原理篇之手撕线性SVM
本篇文章参考了诸多大牛的文章写成的，对于什么是SVM做出了生动的阐述，同时也进行了线性SVM的理论推导，以及最后的编程实践，公式较多，还需静下心来一点一点推导。
机器学习机器学习实战教程（七）：Logistic回归实战篇之预测病马死亡率
本文对梯度上升算法和改进的随机梯度上升算法进行了对比，总结了各自的优缺点，并对sklearn.linear_model.LogisticRegression进行了详细介绍。
机器学习机器学习实战教程（六）：Logistic回归基础篇之梯度上升算法
本文从Logistic回归的原理开始讲起，补充了书上省略的数学推导。本文可能会略显枯燥，理论居多，Sklearn实战内容会放在下一篇文章。自己慢慢推导完公式，还是蛮开心的一件事。
机器学习机器学习实战教程（五）：朴素贝叶斯实战篇之新浪新闻分类
上篇文章机器学习实战教程（四）：朴素贝叶斯基础篇之言论过滤器讲解了朴素贝叶斯的基础知识。本篇文章将在此基础上进行扩展，你将看到以下内容：拉普拉斯平滑、垃圾邮件过滤(Python3)...
机器学习机器学习实战教程（四）：朴素贝叶斯基础篇之言论过滤器
朴素贝叶斯算法是有监督的学习算法，解决的是分类问题，如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树...
机器学习机器学习实战教程（三）：决策树实战篇之为自己配个隐形眼镜
本篇文章将在此基础上进行介绍。主要包括：决策树构建、决策树可视化、使用决策树进行分类预测、决策树的存储和读取sklearn实战之预测隐形眼睛类型。
机器学习机器学习实战教程（二）：决策树基础篇之让我们从相亲说起
本篇讨论决策树的原理和决策树构建的准备工作，完整实例内容会在下一篇文章进行讲解。
机器学习机器学习实战教程（一）：K-近邻算法（史诗级干货长文）
本文将从k-近邻（KNN）算法的思想开始讲起，使用python3一步一步编写代码进行实战训练。并且，我也提供了相应的数据集，对代码进行了详细的注释。除此之外，本文也对sklearn...
