集成学习是将多个基学习器（基础模型）进行组合训练，最终形成一个强学习器的机器学习方法，核心思想是“三个臭皮匠，顶个诸葛亮”——通过多个简单模型的协同，实现比单一模型更优越的学习性能。随机森林是以决策树为基分类器的Bagging集成模型，通过对训练数据和特征进行双重随机采样，构建多棵相互独立的决策树，最终通过多数投票（分类任务）或均值（回归任务）得到模型输出。其核心是“随机”+“森林”：随机保证了树

深度学习（DL, Deep Learning）并非凭空出现的技术，而是，本质是人工智能的“子领域”。它的核心灵感来自人类大脑的神经元网络，通过模拟人脑处理信息的方式，让计算机具备自主学习的能力。：以“神经元”为基本单元，通过节点间的连接传递信号，模拟生物神经的工作模式；：区别于传统机器学习，深度学习的神经网络包含多层隐藏层，能自动从数据中提取“浅特征→深特征”（比如从图像的像素点，逐步学习到边缘、

k折交叉验证（k-fold Cross Validation）是一种可靠的模型评估方法，核心逻辑是把训练集平均分成k份，轮流用其中k-1份训练模型，剩下1份做验证集，重复k次后取k次评估结果的平均值作为最终得分。这就像多轮模拟考试，避免了单次拆分数据导致的“运气成分”，让模型性能评估更客观。

集成学习是将多个基学习器（基础模型）进行组合训练，最终形成一个强学习器的机器学习方法，核心思想是“三个臭皮匠，顶个诸葛亮”——通过多个简单模型的协同，实现比单一模型更优越的学习性能。随机森林是以决策树为基分类器的Bagging集成模型，通过对训练数据和特征进行双重随机采样，构建多棵相互独立的决策树，最终通过多数投票（分类任务）或均值（回归任务）得到模型输出。其核心是“随机”+“森林”：随机保证了树

深度学习（DL, Deep Learning）并非凭空出现的技术，而是，本质是人工智能的“子领域”。它的核心灵感来自人类大脑的神经元网络，通过模拟人脑处理信息的方式，让计算机具备自主学习的能力。：以“神经元”为基本单元，通过节点间的连接传递信号，模拟生物神经的工作模式；：区别于传统机器学习，深度学习的神经网络包含多层隐藏层，能自动从数据中提取“浅特征→深特征”（比如从图像的像素点，逐步学习到边缘、