待验证50% 置信事实精确时间

经典机器学习方法（如逻辑回归、SVM、朴素贝叶斯）配合TF-IDF或固定词向量等预计算文本特征，参数量极小，CPU推理延迟可低至毫秒级

1

来源数

50%

置信度

长期有效

时效性

2026/10/3

首次发现

来源

无需GPU的本地预训练分类器：轻量化AI部署新思路

涉及实体

逻辑回归technology SVMtechnology 朴素贝叶斯technology TF-IDFtechnology

相关事实

已验证机器学习的代表算法包括支持向量机（SVM）、决策树和朴素贝叶斯77% 相似待验证SVM和KNN等机器学习算法对特征的量纲非常敏感71% 相似待验证对比实验的经典模型对手包括 SVM、XGBoost、逻辑回归等算法69% 相似已验证当输入约束减少时，机器学习模型会更多地依赖其先验分布，即训练过程中形成的关于某个概念的默认理解69% 相似待验证对机器学习而言，需要的是概念理解与几何直觉，而非熟练的手算能力68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/970986

API

curl https://kongchang.com/api/v1/knowledge/claims/970986

MCP

get_claim(id=970986)