降維算法是機器學習中用於減少數據特徵數量的技術，目的是在保留重要信息的同時，簡化數據結構，提高計算效率，降低模型複雜度，並有助於可視化和避免過擬合 一、降維的基本概念 1.降維的定義 降維（Dimensionality Reduction）是從高維數據中提取出低維表示，同時保留儘可能多的信息。 降維分為線性降維和非線性降維。
支持向量機（Support Vector Machine，簡稱 SVM）是一種強大的監督學習算法，主要用於分類和迴歸任務，在分類中尤為常見。SVM 的核心思想是找到一個最優的超平面，將不同類別的數據儘可能分開 一、基本概念 1.支持向量機（SVM）定義 SVM 是一種基於最大間隔的分類方法，通過尋找使不同類別數據之間間隔最大的超平面來實現分類。
線性迴歸是機器學習中最基礎、最常用的算法之一，主要用於預測連續數值（如房價、温度、銷售額等）。它通過建立一個線性關係模型，來擬合輸入特徵與目標變量之間的關係 一、基本概念 1.線性迴歸的定義 線性迴歸是一種監督學習算法，用於預測一個連續的目標變量（輸出）。 模型形式為： 其中： 是目標變量（預測值） 是輸入特徵
機器學習中，可視化工具用於幫助理解數據分佈、模型性能、訓練過程以及結果分析。以下是一些常用的可視化工具及其詳細講解 一、Matplotlib 作用：基礎的繪圖庫，適用於各種靜態、動態和交互式圖表。 主要功能： 繪製折線圖、柱狀圖、散點圖、直方圖等 自定義圖表樣式、座標軸、圖例等 示例： pythoni
期望、方差是統計學中的核心概念，廣泛應用於機器學習的模型評估、特徵分析、正則化方法等領域。以下是對它們的系統講解，包括定義、性質、計算方法及實際應用 一、期望（Expectation） 1. 定義 期望是隨機變量在大量實驗中的“平均值”，用於描述其中心趨勢。 離散隨機變量： 連續隨機變量：
