机器学习基本环境搭建（vscode+anaconda的安装+conda虚拟环境的激活）

可以是树的深度达到预定值，节点包含的样本数小于某一阈值，或者节点的基尼系数或信息增益低于某一阈值。：通过根据数据特征不断分割数据集，将数据划分成具有相似特征的子集，从而实现分类或回归的目标。抽取作为特征值的属性，再计算以不同属性值作为特征值时的信息熵，找到最优数据划分时对应的属性值。：是决策树的最末端节点，表示数据的最终分类或回归值。：当停止条件满足时，将叶子节点分配给一个类别标签，即决策树的叶子

机器学习模型的性能评估是至关重要的一部分。在分类问题中，我们通常希望了解模型的预测能力，也就是评估该模型对正类别和负类别的分类结果。PR曲线和ROC曲线是用于评估二分类模型性能的常用工具，通过在不同阈值下的精确度、召回率和真正率、假正率之间的权衡，评估模型的性能。

朴素贝叶斯分类器是基于贝叶斯定理的概率分类算法。其核心思想是通过计算后验概率来进行分类。对于给定的输入特征，通过计算每个可能类别的后验概率，选择具有最高概率的类别作为输出。朴素贝叶斯分类器的关键在于属性条件独立性假设。朴素贝叶斯算法的优缺点适用于大规模数据集对小规模数据表现良好对缺失数据不敏感，常用于文本分类能处理多类别问题属性之间相互独立：朴素贝叶斯的核心假设是特征之间相互独立，这在实际问题中往

支持向量机（SVM）是监督学习算法，属于二分类模型。其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机的学习算法是求解凸二次规划的最优化算法。在线性可分时，在原空间寻找两类样本的最优分类超平面。在线性不可分时，加入松弛变量并通过使用非线性映射将低纬度输入空间的样本映射到高纬度空间（升维）使其变为线性可分，就可以在该特征空间中

机器学习模型的性能评估是至关重要的一部分。在分类问题中，我们通常希望了解模型的预测能力，也就是评估该模型对正类别和负类别的分类结果。PR曲线和ROC曲线是用于评估二分类模型性能的常用工具，通过在不同阈值下的精确度、召回率和真正率、假正率之间的权衡，评估模型的性能。

机器学习模型的性能评估是至关重要的一部分。在分类问题中，我们通常希望了解模型的预测能力，也就是评估该模型对正类别和负类别的分类结果。PR曲线和ROC曲线是用于评估二分类模型性能的常用工具，通过在不同阈值下的精确度、召回率和真正率、假正率之间的权衡，评估模型的性能。

机器学习模型的性能评估是至关重要的一部分。在分类问题中，我们通常希望了解模型的预测能力，也就是评估该模型对正类别和负类别的分类结果。PR曲线和ROC曲线是用于评估二分类模型性能的常用工具，通过在不同阈值下的精确度、召回率和真正率、假正率之间的权衡，评估模型的性能。