import__的博客

决策树（Decision Tree）是一种非参数的有监督学习方法，非参数指不限制数据的结构和类型，有监督学习则指必须具有标签。决策树能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现，可用于解决分类和回归问题，其算法本质是一种图结构。其他以树模型为核心的集成算法还有随机森林、AdaBoost。以上为基于西瓜好坏问题构建的决策树，其中最初问题所在地方为根结点（没有进边，有出边，包含最初针对特征的提问），得到结论前的每一个问题为中间节点。

尽管单个向量的默认方向是列向量，但在表示表格数据集的矩阵中， 将每个数据样本作为矩阵中的行向量更为常见，这种约定将支持常见的深度学习实践，如沿着张量的最外轴，我们可以访问或遍历小批量的数据样本。向量的范数表示一个向量有多大，此处的大小（size）不涉及维度，而是分量的大小；然而，张量的维度用来表示张量具有的轴数，张量的某个轴的维数就是这个轴的长度，如果直接使用。分母转置了，就是分子布局。一般的标量导数是切线的斜率，亚导数可以将导数扩展到不可微的函数，即在函数的不可导点将导数取为一个范围内的任意值。

N维数组（张量，tensor）是机器学习和神经网络的主要数据结构创建数组形状（3✕4矩阵）每个元素的数据类型（32位浮点数）每个元素的值（全是0或随机数）访问元素。

相关 ≠ 线性回归相关：不确定性的相关关系，指两个变量在宏观上存在关系，但未精确到数学函数关系，当变量X增加时，变量Y随着增加或者减少，但变量Y的具体取值不能由变量X确定，可分为正相关、负相关和零相关。线性回归：确定性的数学函数关系。根据变量数值分布类型不同，相关可分为直线相关、秩相关、列联相关等。秩相关：当变量的数值不符合正态性或为等级资料时，宜采用秩相关，主要利用变量数值的秩次替代原始数据进行相关分析。列联相关：针对于分类变量。直线相关：可计算皮尔森（Pearson）相关系数 r。

参数化方法：线性模型、广义线性模型、logistic 回归半参数化方法：竞争风险模型、cox 回归非参数化方法（没有回归系统，没有参数但可预测）：机器学习（神经网络、随机森林、决策树…）