不懂的可以问我

对支持向量机的总结，该小结是本人在阅读了大牛李航的《统计学习方法》之后做的总结，往对读者有所帮助。

统计学习方法 本书已经出第二版，2019年5月之后所有内容更新参考第二版第一次印刷。 [目录] 工具包 为方便学习，整理一些工具说明。 GitHub的markdown公式支持一般，推荐使用Chrome插件来渲染TeX公式，本地Markdown编辑器推荐 ，注意Ctrl + ，：首选项，语法支持部分嵌入在线数学。Ubuntu和Windows都正常。 math_markdown.pdf为的更新版本，方便查看使用，markdown版本为最新版本，基本覆盖了书中用到的数学公式的$ \ LaTeX $表达方式。 是一个参考文献下载脚本，这本书一定要配合参考文献看，每章的大参考文献一定要看，对书的

Statistic-study-notes 李航统计学习方法（第二版）的学习笔记，包括： 1、每章重点数学公式的手动推导 均为手写然后扫描成图片，字迹不工整还望谅解，之后有时间会用Latex修正 点击数学公式没有出现图片的情况 需要搭梯子才可以在线预览到数学推导的图片... 3.1 无数学推导，偏重算法实现-KNN 5.1 无数学推导，偏重算法实现-决策树 6.1 最大熵模型的数学推导 6.2 拉格朗日对偶性问题的数学推导 6.3 改进的迭代尺度法数学推导 7.第七章数学公式推导 7.1 软间隔最大化对偶问题 7.2 证明最大间隔分离超平面存在唯一性 8.第八章数学公式推导 8.1 证明AdaBoost是前向分步加法算法的特例 8.2 证明AdaBoost的训练误差界 9.第九章数学公式推导 9.1 EM算法的导出 9.2 用EM算法估计高斯模混合模型 10.第十章数学公式推导 10.1

kd树(K-dimension tree)是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。kd树是是一种二叉树，表示对k维空间的一个划分，构造kd树相当于不断地用垂直于坐标轴的超平面将K维空间切分，构成一系列的K维超矩形区域。kd树的每个结点对应于一个k维超矩形区域。利用kd树可以省去对大部分数据点的搜索，从而减少搜索的计算量。

经典书籍《统计学习方法》李航，第4章 朴素贝叶斯(Naïve Bayes)-Python代码

经典书籍《统计学习方法》李航，第7章 支持向量机（SVM）-Python代码

统计学习方法.pdf李航的书，挺好的

代码实现李航统计学习经典算法，包含EM，SVM，决策树等

机器学习相关算法理论基础，感知机，k邻近算法，贝叶斯，决策树，逻辑斯底回归，支持向量机，EM算法，隐马尔可夫等