左图能够大致表现出温度变化的趋势，但是与散点数据的偏差很大，就是欠拟合中间的图能够很好的表现出温度变化的过程，并且与散点数据的偏差不大，这是理想的拟合右图拟合出的曲线与散点数据的偏差值最小，但是起伏、斜率和波动很多，这在正常的气候变化中是不可能发生的，这条曲线也因此失去了通用性，这就是过拟合。

PCA是指在某些限定条件下，降低随机变量个数，得到一组“不相关”的主变量的过程。减少模型分析的数据量，提升处理效率，降低计算难度实现数据的可视化。

本文紧承 3.1. 决策树理论(基础) 和 3.2. 决策树理论(进阶)，没看过的建议先看理论分析。

对于比较少的数据，我们可以直接画图来看模型效果。对于比较多的数据，我们要定量地评估就不能只靠图了。

虽然这个图看上去仍然是一个二维图像，但是它的两个轴都是输入变量。实际的输出是图中的三角形和圆形。

这篇文章我们会在 1.9. 逻辑回归实战(进阶) 的基础上再进一步，讲一下如何找（类）圆形的决策边界。圆形的回归边界大部分时候都会是二阶的，但有的时候数据很复杂，就会需要更多阶，本文涉及的就是这部分。

在进阶篇中我们会使用特别复杂且巨大的数据。

if语句让程序可以根据不同情况执行不同的代码。if-else语句允许在条件为 False 时执行不同的代码。语句适用于多个条件的情况。缩进在 Python 中至关重要，所有 if 语句的代码块必须正确缩进。if语句的条件可以使用比较运算符==!>=<=逻辑运算符andornot。

闭包在实际使用中经常会被重复调用，造成不必要的耗时。对于这个问题，一个解决方案是把闭包的值赋给某个本地变量，这么写问题的是会造成一些代码的重复。所以这里更适合创建一个结构体，它持有闭包及其调用结果。

这篇文章我们会手把手地教你下载Python解释器和Anaconda、安装和打开Jupyter Notebook以及PyCharm + Anaconda的部署。