通过调整模型参数，我们可以得到不同的分类结果，具体看到代码2的结果，不管是使用信息增益还是gini指数来评估决策树分类结果，对于鸢尾花数据，决策树深度为5的时候的模型结果都会优于深度为3的时候的准确率。通过代码4的运行结果我们可以看到，不管是训练集还是测试集，在depth=2以前该参数对模型准确率的影响都是比较大的，当depth>2时影响变小，而当训练集的决策树深度达到6的时候，模型的准确率就已经

因为仅通过通道信息交换所得的语义信息是片面的，这些信息不仅在内容上有相关性，在空间上也是高度集中的，将通道信息交换和空间维度交互相融合，可以产生互补效应，利用来自更大感受野的全局信息帮助低层次特征图预测较小目标。举个例子，在医学影像中，如肿瘤检测，肿瘤的存在通常与侵犯现象关联，具有多次发生和高转移倾向，为了减轻采样过程中边缘信息的损失，在将特征图的高度和宽度信息保存到通道后，特征图的维度从四维（批

通过调整模型参数，我们可以得到不同的分类结果，具体看到代码2的结果，不管是使用信息增益还是gini指数来评估决策树分类结果，对于鸢尾花数据，决策树深度为5的时候的模型结果都会优于深度为3的时候的准确率。通过代码4的运行结果我们可以看到，不管是训练集还是测试集，在depth=2以前该参数对模型准确率的影响都是比较大的，当depth>2时影响变小，而当训练集的决策树深度达到6的时候，模型的准确率就已经