向量定义

标量：单个数字，可表示为实值或自然数。 向量：包含多个元素的有序数组，可使用NumPy库创建。 矩阵：二维数组，可使用NumPy库创建，可用.shape()和.transpose()函数进行操作。 张量：多维数组，在机器学习和深度学习中广泛使用。

MATLAB开发：平面绘图器能够根据给定的点和法向量定义绘制平面，将平面绘制为以指定点为中心的正方形区域。

Association（关联）在PD中的定义是： “一个关联是实体之间的连接。在Merise建模方法中，关联用于连接几个分别代表明确对象的实体，这些对象通过一个事件链接，而该事件可能不那么明确地由另一个实体表示。”。

利用 MATLAB 根据向量的定义和 norm 函数，可以分别计算向量的范数。

SVM，挺牛的一个机器学习算法。简单来说，它通过寻找一个超平面来划分数据，目标是让两类数据的间隔最大化，最终提升模型的泛化能力。对于小样本数据集有用，常见于文本分类、图像识别这些领域。最有意思的部分是它的核技巧，能把非线性问题变成线性问题，这样就能更好地复杂的数据集。 SVM 有个核心原则叫做最大间隔，就是通过选取一个间隔最大的超平面来进行分类，这样能有效降低过拟合的风险。而且，支持向量离决策边界越近，它对分类结果的影响越大。所以，训练时找到合适的支持向量尤为重要。 说到核技巧，SVM 用得挺多的。最常用的包括线性核、多项式核和径向基函数核（RBF），每种核函数适应不同的数据情况，比如 RBF

方差S²（样本）的定义为：

定义表结构（模式） 创建、删除和修改表 定义视图（外部模式） 创建和删除视图 通过删除和创建间接修改视图

数据定义语句用于创建、修改或删除数据库表。例如，创建“学生”表：EXEC SQL CREATE TABLE Student (Sno CHAR(5) NOT NULL UNIQUE, Sname CHAR(20), Ssex CHAR(1), Sage INT, Sdept CHAR(15));

李航老师的《统计学习方法》里的支持向量机部分，笔记整理得还蛮清楚的，适合你刚入门 SVM 或者想快速回顾重点的时候看看。内容不啰嗦，图示也挺直观，看起来不会头大。支持向量机（SVM）这种算法吧，虽然看着数学味儿挺浓，其实搞懂了核函数的核心逻辑，多分类任务都能用得上，比如文本分类、人脸识别这些场景就挺常见的。笔记作者整理了不少实用资源，比如Matlab的代码示例、粒子群优化（PSO）调参数的案例，还有经典的鸢尾花数据集实验，比较全也蛮接地气，配合起来看学习效率更高。哦对了，如果你平时用Python，虽然这些代码是 Matlab 写的，但思路是一通百通的，逻辑和参数选择都能参考。你要是准备搞个毕业

熵：定义与应用 熵，也称为信息熵，是对随机变量不确定性的度量。 定义：在概率空间上，随机变量 $I(X)$ 的数学期望被称为该随机变量 $X$ 的平均自信息，也称为信息熵或熵，记为 $H(X)$。 信息熵的概念不仅应用于信息论，也在决策树构建和模型评估中发挥着至关重要的作用。