我们之前用随机森林算法做了一个简单的案例，判断天气是否适合出去玩，今天我们使用最经典的手写数字数据集来做一个数字识别预测。

本文介绍了一个基于Python-OpenCV的人脸数据采集程序。程序通过摄像头实时捕捉视频流，使用Haar级联分类器检测人脸，并允许用户按C键拍照保存人脸图像。主要功能包括：为每个用户创建独立文件夹；支持采集20张人脸照片；实时显示检测框；提供操作提示和异常检测（多人/无人脸情况）；支持中途退出。所有照片按人名分类保存到dataset目录下，为后续人脸识别系统提供训练数据集。程序通过简单的交互设计

model.yml—— 训练好的人脸识别模型（存储了学习到的特征）names.pkl—— 人名对照表（记录每个编号对应谁，比如0: "ldh（刘德华）"现在，你的电脑已经能"记住"这些人脸了！检测人脸（用Haar级联），用model.yml识别是谁，显示名字（从names.pkl查表）

本文介绍了一个基于Python-OpenCV的人脸数据采集程序。程序通过摄像头实时捕捉视频流，使用Haar级联分类器检测人脸，并允许用户按C键拍照保存人脸图像。主要功能包括：为每个用户创建独立文件夹；支持采集20张人脸照片；实时显示检测框；提供操作提示和异常检测（多人/无人脸情况）；支持中途退出。所有照片按人名分类保存到dataset目录下，为后续人脸识别系统提供训练数据集。程序通过简单的交互设计

model.yml—— 训练好的人脸识别模型（存储了学习到的特征）names.pkl—— 人名对照表（记录每个编号对应谁，比如0: "ldh（刘德华）"现在，你的电脑已经能"记住"这些人脸了！检测人脸（用Haar级联），用model.yml识别是谁，显示名字（从names.pkl查表）

model.yml—— 训练好的人脸识别模型（存储了学习到的特征）names.pkl—— 人名对照表（记录每个编号对应谁，比如0: "ldh（刘德华）"现在，你的电脑已经能"记住"这些人脸了！检测人脸（用Haar级联），用model.yml识别是谁，显示名字（从names.pkl查表）

10：实际类别为0的样本中，有10个被正确预测为类别0（真正例 TP）。0：实际类别为0的样本中，没有被错误预测为类别1（假正例 FP）。0：实际类别为0的样本中，没有被错误预测为类别2（假正例 FP）。0：实际类别为2的样本中，没有被错误预测为类别0（假负例 FN）。0：实际类别为2的样本中，没有被错误预测为类别1（假负例 FN）。0：实际类别为1的样本中，没有被错误预测为类别0（假负例 FN）

做完了线性回归和逻辑回归案例之后，我们这次做一个简单的决策树案例，首先我们先来看看这三者之间有什么联系和区别：任务类型：线性回归：用于回归任务，预测连续变量。例如，预测房价、温度等。逻辑回归：用于二分类任务，预测类别标签（0/1）。例如，预测某个客户是否会购买产品。决策树：可以用于分类任务，也可以用于回归任务。分类任务中输出类别（如是否游玩），回归任务中输出连续值（如房价预测）。模型结构：线性回归