欲速求达，三思后行

读书笔记：机器学习实战【第3章 决策树】决策树的优点： 计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点： 可能会产生过度匹配问题适用数据类型：数值型，标称型。3.1 决策树的构造在构造决策树时，要解决的第一个问题就是，当前数据集上哪个特征在划分数据分类的时候起决定作用。为了找到决定性特征，划分出最好的结果，我们必须苹果每个特征，而完成测试之后，原始数据集就被

读书笔记：机器学习实战【第4章：朴素贝叶斯】4.1 基于贝叶斯决策理论的分类方法朴素贝叶斯： 优点：在数据较少的情况下依然有效，可以处理多类别问题 缺点：对于输入数据的准备方式较为敏感 适用数据类型：标称型数据朴素贝叶斯是贝叶斯决策理论的一部分，贝叶斯决策理论的核心思想是选择具有最高概率的决策。4.2 条件概率4.3 使用条件概率分类基本都是最基本的概率论知识，跳过。4.4 使用朴素贝叶

利用Adaboost元算法提高分类性能当做重要决定的时候，大家可能都会考虑吸取多个专家，而非一个人的意见，同样的思想用在机器学习中就是元算法（meta-algorithm）背后的思路，元算法是对其他算法进行组合的一种方式。7.1 基于数据集多重抽样的分类器前面已经介绍了五种不同的分类算法，它们各有优缺点，我们自然可以将不同的分类器组合起来，而这种组合结果则被称为集成方法（ensemble metho

利用Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。Logistic回归的一般过程： 收集数据 准备数据：要求数据类型为数值型，结构化则最佳。 分析数据：采用任意方法对数据进行分析。 训练算法：大部分时间将用于训练，目的是找到最佳的分类回归系数。 测试算法：一旦训练步骤完成，分类就会很快。 使用算法：首先我们需要一些输入数据，并将其转换成对应的结构化数值