2.简述朴素贝叶斯算法流程 3.简述非线性支持向量机的训练过程

2. 朴素贝叶斯算法流程：

朴素贝叶斯算法是一种基于贝叶斯定理的分类算法。它的流程如下：

1. 收集数据：收集已知类别的样本数据。

2. 数据预处理：将样本数据转化为特征向量。

3. 计算概率：计算每个特征在每个类别下的条件概率，并计算每个类别的先验概率。

4. 计算后验概率：利用贝叶斯公式，计算每个类别的后验概率。

5. 分类：将待分类样本的特征向量代入每个类别的后验概率公式中，得到每个类别的后验概率，将后验概率最大的类别作为样本的分类结果。

3. 非线性支持向量机的训练过程：

非线性支持向量机是一种基于核函数的分类算法，它的训练过程如下：

1. 收集数据：收集已知类别的样本数据。

2. 数据预处理：将样本数据转化为特征向量。

3. 选择核函数：选择合适的核函数，将特征向量映射到高维空间中。

4. 定义损失函数：定义分类误差损失函数，并加入正则项，得到总的损失函数。

5. 求解优化问题：利用凸优化理论，求解总的损失函数的最小值，得到模型参数。

6. 预测：将待分类样本的特征向量代入模型中，得到分类结果。