决策树 cart算法 决策树解决回归问题和分类问题

分布式理论基础包括CAP定理、BASE理论。然后介绍Seata1.5.2的使用，以及Seata实现的四种模式，XA模式、AT模式、TCC模式以及SAGA模式

你可以使用该哈希值进行进一步的验证、比对或存储，以确保文件的完整性或进行其他安全相关的操作。该机制是通过调用主类（即启动子线程的类）中的一个方法来做到的。这样依赖，主程序就可以在等待线程结束期间休息，而不会占用运行线程的时间。习惯了传统单线程过程式模型的程序员在转向多线程环境时，最难掌握的一点就是如何从线程返回信息。从结束的线程获得信息，这是多线程编程中最常被误解的方面之一。但上面程序存在一个很大

逻辑回归、鸢尾花案例

支持向量机、硬间隔SVM

集成学习 随机森林 Adaboost boost 梯度上升 投票分类器

这两个参数是线性回归模型里面的参数，这里只有两个说明拟合结果为一条直线，coef为直线的斜率，另一个为截距。分割训练集和测试集，这里训练集和测试集是7/3开。x轴代表分数，y轴代表分数。运行结果：数据分布情况。

前面都是介绍的二元分类器在两个类别中区分，而多分类别分类器（也称为多项分类器）可以区分两个以上的类别。拿前面的Mnist数据集来分析，要创建一个多分类器，我们可以采取的一个策略是，给每个数字创建一个上面的那个判断是否为5的分类器，然后对每个模型进行训练，获取每个模型对需要预测图片实例的决策分数，预测分数最高的那个类即为该类的所属类。这种一实例对多模型的策略（一对多策略）成为OVA策略。

投影、流形学习、PCA降维、KPCA、增量PCA、LLE算法

决策树 cart算法 决策树解决回归问题和分类问题