训练决策树Scikit-Learn使用分类和回归树算法来训练决策树工作原理： 使用单个特征k和阈值tk将训练集分为两个子集， 通过选择（k, tk）最小化成本函数/搜索最纯子集。并重复该过程， 直到到达最大深度或找不到减少不纯度的分割， 停止递归。 其他一些超参数也可以控制停止条件（稍后叙述）from sklearn.datasets import load_irisfrom sklearn.tr

降维的主要方法投影将高维空间的点投影到低维子空间上流形学习d维流形是n维空间（且d<n）的一部分， 局部类似于d维超平面。许多降维算法通过训练实例所在的流形进行建模工作， 称为流行学习。它依赖于流形假说：大多数现实世界的高维数据集都接近于低维流形。隐式假设：如果用流形的低维空间表示，任务（例如分类或回归）将更加简单。PCA主成分分析（PCA）：识别最靠近数据的超平面， 然后将数据投影到其上保

template<typename T>class Set {T arr[maxn];int p_arr = -1;public://......Set interSet(const Set&);Set unionSet(const Set&);//......};template<typename T>Set Set<T>::interSet(

df:AB01.068932 -0.7943072 -0.4700561.1922114 -0.2845610.75602961.037563 -0.2678208 -0.538478 -0.800654>>> df.iloc[[0]]>>> 01.068932 -0.794307