1. 初始化参数学习率：控制梯度下降时参数更新的步长，自定义设置(我将其设置为0.1)；最大迭代次数：自定义设置(我设置为10000)，防止算法无限循环。收敛阈值：自定义设置(我设置为1e-4)，当梯度的范数小于设置值时，认为算法已收敛。参数向量：存储模型的权重和偏置，初始化为 None。2. 调用sigmoid函数，将线性输出转换为概率值(0-1之间)3.模型训练添加偏置项：将输入特征矩阵X扩展

分类决策树模型是一种描述对实例进行分类的树形结构，由结点和有向边组成。结点包括两种类型：内部结点和叶结点，其中内部结点表示一个特征和属性叶结点表示一个类。□ 决策过程中提出的每个判定问题都是对某个属性的“测试”；□ 决策过程的最终结论对应了我们所希望的判定结果；□ 每个测试的结果或是导出最终结论，或是导出进一步的判定问题，其考虑范围是在上次决策结果的限定范围内；□ 从根结点到每个叶结点的路径对应了

在软间隔中，支持向量包括三类样本：1. 边界上的样本：满足且（对应2. 间隔内的正确分类样本：满足且（对应3. 错分样本：满足且（对应关键性质：软间隔超平面的位置由所有支持向量共同决定，而非仅由边界上的样本决定。错分样本和间隔内样本通过调整的值影响超平面，使模型在复杂数据中仍保持鲁棒性。核函数是一个函数 K(x , z) ，它接受两个低维空间中的输入向量 x 和 z ，输出它们在高维特征空间中的内

分类决策树模型是一种描述对实例进行分类的树形结构，由结点和有向边组成。结点包括两种类型：内部结点和叶结点，其中内部结点表示一个特征和属性叶结点表示一个类。□ 决策过程中提出的每个判定问题都是对某个属性的“测试”；□ 决策过程的最终结论对应了我们所希望的判定结果；□ 每个测试的结果或是导出最终结论，或是导出进一步的判定问题，其考虑范围是在上次决策结果的限定范围内；□ 从根结点到每个叶结点的路径对应了