线性回归是一种统计方法，用于研究因变量（目标变量）与一个或多个自变量（特征变量）之间的线性关系。通过拟合一条直线，线性回归模型试图找到最优的线性函数，使得预测值与实际观测值之间的误差最小。这条拟合的直线被称为“回归线”。简单线性回归（Simple Linear Regression）是指只有一个自变量的情况，而多元线性回归（Multiple Linear Regression）则涉及多个自变量。

线性回归是一种统计方法，用于研究因变量（目标变量）与一个或多个自变量（特征变量）之间的线性关系。通过拟合一条直线，线性回归模型试图找到最优的线性函数，使得预测值与实际观测值之间的误差最小。这条拟合的直线被称为“回归线”。简单线性回归（Simple Linear Regression）是指只有一个自变量的情况，而多元线性回归（Multiple Linear Regression）则涉及多个自变量。

当前树的性质由当前根节点与左右子树的性质共同决定；+ 左子树和右子树本身可以被视为规模更小的二叉搜索树，这种嵌套结构直接表明递归定义的存在。//树节点的结构体//千万别少了这句！！！！！！K _key;BSTreeNode(const K& key)//这里是K是大写，一定要注意，改了好多{}public://默认构造//拷贝构造private://下面这部分隐藏，对外只提供InOrder().用

机器学习（Machine Learning, ML）是一门研究计算机如何从数据中自动学习的科学。通过大量的数据训练，机器学习模型能够发现数据中的模式和规律，从而进行预测或决策。简单来说，机器学习是计算机利用算法从数据中学习的一种方式，它使得计算机能够在没有显式编程的情况下进行任务处理。传统的编程方式通常需要开发者写出明确的规则来解决问题，而机器学习的核心在于自动从数据中提取这些规则。

决策树是一种树状结构的模型，用于解决分类和回归问题。模型通过递归地将数据集分割成更小的子集，最终到达叶子节点，每个叶子节点表示一个预测结果。决策树的每个节点代表对某个特征的测试，每个分支代表测试结果，而每个叶子节点则表示最终的预测类别或值。随机森林是一种集成学习方法，通过构建多个决策树并结合它们的预测结果来提高模型的准确性和鲁棒性。随机森林通过集成多个基学习器（通常是决策树），并利用投票机制（分类

/ 定义一个 map，键为 int，值为 string// 插入元素// 使用下标操作符// 使用 insert 方法// 使用 make_pair// 1. 默认构造函数// 创建一个空的 map，键的类型为 int，值的类型为 string// 使用默认的比较函数 less<int> 对键进行排序// 2. 范围构造函数// 从一个包含 pair 的容器的迭代器范围来初始化 map// 3.

决策树是一种树状结构的模型，用于解决分类和回归问题。模型通过递归地将数据集分割成更小的子集，最终到达叶子节点，每个叶子节点表示一个预测结果。决策树的每个节点代表对某个特征的测试，每个分支代表测试结果，而每个叶子节点则表示最终的预测类别或值。随机森林是一种集成学习方法，通过构建多个决策树并结合它们的预测结果来提高模型的准确性和鲁棒性。随机森林通过集成多个基学习器（通常是决策树），并利用投票机制（分类

机器学习（Machine Learning, ML）是一门研究计算机如何从数据中自动学习的科学。通过大量的数据训练，机器学习模型能够发现数据中的模式和规律，从而进行预测或决策。简单来说，机器学习是计算机利用算法从数据中学习的一种方式，它使得计算机能够在没有显式编程的情况下进行任务处理。传统的编程方式通常需要开发者写出明确的规则来解决问题，而机器学习的核心在于自动从数据中提取这些规则。

在编程竞赛和笔试中，ACM模式是常见的要求，它需要我们编写完整的程序来处理输入输出。与平台上的核心代码模式不同，ACM模式通常要求我们处理标准输入输出并完整实现解决方案。核心代码模式只需要提交核心算法部分（通常是某一个函数），而ACM模式需要处理整个程序(包括main函数)，包括输入输出和其他程序结构。在ACM模式中，链表、二叉树这些数据结构的定义也需要自己去定义，接下来就给出二者的定义、输入和输

当前树的性质由当前根节点与左右子树的性质共同决定；+ 左子树和右子树本身可以被视为规模更小的二叉搜索树，这种嵌套结构直接表明递归定义的存在。//树节点的结构体//千万别少了这句！！！！！！K _key;BSTreeNode(const K& key)//这里是K是大写，一定要注意，改了好多{}public://默认构造//拷贝构造private://下面这部分隐藏，对外只提供InOrder().用