一、决策树决策树一个分类算法，属于有监督学习。决策树的生成有两个要点：1、节点特征的选择2、节点分裂值的选择。二、区别1、ID3与C4.5采用信息熵作为选择的基础，CART选择基尼纯度作为选择的基础。2、ID3和C4.5只用于分类，CART可以用于分类与回归。其中I3、ID3和C4.5可以是多叉树，CART是二叉树。4、ID3只能使用离散特征，C4.5和CART可以处理连续特征。5、ID3不能处理

Ubuntu 18.04及更高版本使用的是ufw（Uncomplicated Firewall）。如果ufw已安装并正在运行，则会显示防火墙的状态（如活动、已停止等）以及开放的端口。

bagging把数据集通过有放回的抽样方式，划分为多个数据集，分别训练多个模型。针对分类问题，按照少数服从多数原则进行投票，针对回归问题，求多个测试结果的平均值boosting与Bagging一样，使用的相同的弱学习器，不过是以自适应的方法顺序地学习这些弱学习器，即每个新学习器都依赖于前面的模型，并按照某种确定性的策略将它们组合起来两个重要的 Boosting 算法：AdaBoost（自适应提升）