$k$ 近邻法

模型

$k$ 近邻法是一种基本的分类和回归方法。对于分类问题，模型将输入对应于特征空间后输出对应的类别。$k$ 近邻法假定给定一个训练数据集，其中的实例类别已定。分类时，对于新的实例，根据其 $k$ 个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，$k$ 近邻法不具有显式的学习过程。$k$ 值的选择、距离度量和分类决策规则是 $k$ 近邻法的三个基本要素。

$k=1$ 的特殊情况被称为最近邻算法。

感知机

模型

感知机是一种二类分类的线性分类模型，属于判别模型。感知机的数据集要求线性可分。 $$f(x)=sign(\omega \cdot x+b)$$ 其中 $$sign(x)=\{\begin{array}{c}1,x\ge 0\\ -1,x<0\end{array}$$ $\omega \cdot x+b=0$ 决定了将数据分为正负两类的超平面。

    每个人都或多或少有些负面情绪，来源也是千奇百怪，如果能提前知道负面情绪的到来，就可以及时克制一下，起码让这些情绪不暴露在自己最亲近的人面前，或者最不想暴露的人面前。