python集成开发环境：Anaconda、开发工具：Visual Studio Code、深度学习框架：Pytorch。

1.分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型：内部结点和叶 节点。内部结点表示一个特征或属性，叶节点表示一个类。决策树学习的目的是为了产生一个泛化能力强的决策树，用来预测未知事例。2.经典的决策树算法有ID3、C4.5、CART、RF等，由于本人是初学者，所以以下示例由ID3展开ID3作为一种经典的决策树算法，是基于信息熵来选择最佳的测试属性，其选

此数据集包含训练集train与测试集test ，训练集里包含24个以txt格式存储的普通邮件文本与24个以txt格式存储的垃圾邮件文本，测试集里包含普通邮件与垃圾邮件文本各一个，结构树如下├─ Emails│├─ test│├─ …

在了解两条曲线之前，先来看下如下的混淆矩阵在一个二分类问题中把正例正确判定为正例，表示为TP（true positive）把正例错误判定为负例，表示为FN（false negative）把负例正确判定为负例，表示为TN（true negative）把负例错误判定为正例，表示为FP（false positive）Precision=TP/(TP+FP)Recall=TP/(TP+FN)TPR=TP/

Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性iris以鸢尾花的特征作为数据来源，常用在分类操作中。该数据集由3种不同类型的鸢尾花的50个样本数据构成。其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。四个属性：Sepal.Length（花萼长度），单位是cm;Sepal.Width（花萼宽度）

实验结果分析：已知有十张棋盘格图像，结果只输出七张图像的对应外参矩阵，其原因是下列三张标定图像：无法被cv2.findChessboardCorners()检测出角点，因此无法求外参矩阵，可以使用质量更好的图像或者更换角点检测算法、调整角点检测算法的参数来解决此问题。其中，f_x 和 f_y 是相机的水平和垂直焦距，c_x 和 c_y 是相机的像素坐标原点。相机的外参矩阵描述了相机的姿态，包括相机

GrabCut算法是一种强大的图像分割算法，通过迭代优化背景和前景模型参数，能够在用户提供的初始标记或边界框的基础上，自动分割图像中的前景和背景。当算法的迭代次数增加时，GrabCut算法会进行更多次的迭代优化，从而进一步细化前景和背景的区分，提高分割结果的准确性，但是效果在达到一定迭代次数后提高十分微小。增加迭代次数也可能带来以下问题：计算时间增加：每次迭代都需要进行参数更新和图割操作，因此增加

在了解两条曲线之前，先来看下如下的混淆矩阵在一个二分类问题中把正例正确判定为正例，表示为TP（true positive）把正例错误判定为负例，表示为FN（false negative）把负例正确判定为负例，表示为TN（true negative）把负例错误判定为正例，表示为FP（false positive）Precision=TP/(TP+FP)Recall=TP/(TP+FN)TPR=TP/

def sigmoid(inX) : #sigmoid函数 return 1.0 /(1 + exp(- inX))

实验结果分析：已知有十张棋盘格图像，结果只输出七张图像的对应外参矩阵，其原因是下列三张标定图像：无法被cv2.findChessboardCorners()检测出角点，因此无法求外参矩阵，可以使用质量更好的图像或者更换角点检测算法、调整角点检测算法的参数来解决此问题。其中，f_x 和 f_y 是相机的水平和垂直焦距，c_x 和 c_y 是相机的像素坐标原点。相机的外参矩阵描述了相机的姿态，包括相机