决策树是一种常用的分类与回归算法，它具有以下优点：易于理解和解释、计算复杂度较低、对数据的预处理要求不高、能够同时处理多种数据类型以及具有较强的可解释性。此外，决策树还可以通过剪枝等手段来防止过拟合。然而，决策树也有一些缺点：容易出现过拟合问题、对于连续型数据比较难处理、类别样本数量不均衡时容易偏向于数量较多的类别、对错误或者异常值比较敏感等。此外，由于决策树在构建过程中需要进行特征选择，因此可能

k近邻算法是分类数据最简单最有效鄂算法，本次实验通过鸢尾花实例学习如何使用k近邻算法构造分类器。k近邻算法是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数据。k近邻算法必保存全部数据集，如果训练数据集很大，必须使用大量的存储空间。此外，由于必须对数据集中的每个数据计算距离值，实际使用时可能非常耗时。k近邻的另一个缺陷是他无法给出任何数据的基础结构信息，因此我们也无法知晓平均实例样本和

支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的。

k近邻算法是分类数据最简单最有效鄂算法，本次实验通过鸢尾花实例学习如何使用k近邻算法构造分类器。k近邻算法是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数据。k近邻算法必保存全部数据集，如果训练数据集很大，必须使用大量的存储空间。此外，由于必须对数据集中的每个数据计算距离值，实际使用时可能非常耗时。k近邻的另一个缺陷是他无法给出任何数据的基础结构信息，因此我们也无法知晓平均实例样本和