之前讲过SVM，是通过最大化间隔导出的一套方法，现在从另外一个角度来定义SVM，来介绍整个线性SVM的家族。线性支持向量机简介L2正则化L1-loss SVC原问题L2正则化L2-loss SVC原问题L2正则化SVC对偶问题L1正则化L2-loss SV

在前面的章节，我们已经看到线性回归模型具有很简单的分析性和计算性。这样输入空间被分成决策区域，它的边界被称为决策边界。本章我们考虑用于分类的线性模型，也就是说决策边界是关于输入变量x线性函数，它在D维的输入空间中定义了D-1维的超平面。类别可以被线性决策边

感知器是分类的线性分类模型，其中输入为实例的特征向量，输出为实例的类别，取+1或-1的值作为正类或负类。感知器对应于输入空间中对输入特征进行分类的超平面，属于判别模型。通过梯度下降使误分类的损失函数最小化，得到了感知器模型。

如何直观理解 XGBoost？它为什么这么优秀？我对十五年前第一天工作的情况还记忆犹新。彼时我刚毕业，在一家全球投资银行做分析师。我打着领带，试图记住学到的每一件事。与此同时，在内心深处，我很怀疑自己是否可以胜任这份工作。感受到我的焦虑后，老板笑着说：

语音领域的顶会 ICASSP 2018 将于 4 月 15-20 日在加拿大阿尔伯塔卡尔加里市举行。据机器之心了解，国内科技巨头阿里巴巴语音交互智能团队有 5 篇论文被此大会接收。本文对论文《Linear networks based speaker ad

近段时间以来，我们频频听到「机器学习」这个词。几十年来，机器学习实际上已经变成了一门独立的领域。由于现代计算能力的进步，我们最近才能够真正大规模地利用机器学习。算法被写入计算机并在其剖析数据时给与其需要遵循的规则。机器学习算法经常被用于预测分析。在商业中，

感知器是分类的线性分类模型，其中输入为实例的特征向量，输出为实例的类别，取+1或-1的值作为正类或负类。感知器对应于输入空间中对输入特征进行分类的超平面，属于判别模型。通过梯度下降使误分类的损失函数最小化，得到了感知器模型。学习从来不是一个人的事情，要有个

很多搜索达人都有这样一种冲动，想要“通过机器学习获得最优权重”然后用于搜索查询中。对于搜索这件事儿来说有点像打地鼠游戏，正如通常人们所说的“如果我能选择优化‘标题匹配’的权重还是‘内容匹配’的权重，那我肯定会做得更好”！没错，就是传说中的线性回归！线性回归

如果你想对一个概率问题进行建模，那么有一个通用的方法，这个方法就是广义线性模型。GLM的出现是经过假设推广总结出来的，明确一个事实，『假设』是不需要被证明的。假设的初衷是认为他们能够具有很好的解决问题的性质，但是并非胡编乱造。假设2、3都是在假设1的基础上

线性回归可以说是机器学习中最简单，最基础的机器学习算法，它是一种监督学习方法，可以被用来解决回归问题。它用一条直线来拟合训练数据，进而对未知数据进行预测。机器学习方法，无外乎三点：模型，代价函数，优化算法。虽然线性回归现在可能很少用于解决实际问题，但是因为

当时非常惊讶于过去两年内训练数据如此疯狂的增长。大家都在热情的谈特征，每次新特征的加入都能立即得到AUC的提升和收入的增长。大家坚信特征才是王道，相信还会有源源不断的特征加入，数据规模还会成倍的增长。我也深受感染，坚定的相信未来两年数据至少还会长十倍，因此

很多搜索达人都有这样一种冲动，想要“通过机器学习获得最优权重”然后用于搜索查询中。对于搜索这件事儿来说有点像打地鼠游戏，正如通常人们所说的“如果我能选择优化‘标题匹配’的权重还是‘内容匹配’的权重，那我肯定会做得更好”!没错，就是传说中的线性回归!线性回归

LTR 的入门模型就是线性模型，本文以线性模型为例，针对搜索排序的场景，通俗地介绍了机器学习的基本思想和实现步骤。作为 LTR 系列的第三篇，相信通过本文你已经可以轻松地入门 LTR。很多搜索达人都有这样一种冲动，想要“通过机器学习获得最优权重”然后用于

近段时间以来，我们频频听到「机器学习」这个词。几十年来，机器学习实际上已经变成了一门独立的领域。由于现代计算能力的进步，我们最近才能够真正大规模地利用机器学习。算法被写入计算机并在其剖析数据时给与其需要遵循的规则。机器学习算法经常被用于预测分析。在商业中，