本文介绍了 RustyML 中的经典机器学习算法，包括线性模型、树方法、核方法、聚类和降维技术。这些算法训练速度快、数据需求低且模型可解释性强。文章概述了统一的 API 设计模式：new 构造模型，fit 训练，predict 推理（降维模型使用 transform）。监督学习部分涵盖线性回归、逻辑回归、KNN、决策树、SVM 和 LDA；无监督学习包括 KMeans、DBSCAN 和 MeanS

本文介绍了Python中的for循环结构。for循环适用于已知执行次数的情况，其基本语法为for 变量 in range(次数)，其中range()函数生成整数序列。文章详细讲解了循环变量的作用、range()的起始值和步长设置方法，以及如何用变量控制循环次数。通过多个实际应用示例，如数字求和计算，展示了for循环的常见用法。最后总结了for循环的特点：适合已知循环次数的场景，range()可灵活

本文介绍了Python异常处理的基本概念和方法。主要内容包括：1）异常的定义，如ValueError和ZeroDivisionError；2）使用try-except结构捕获异常；3）处理多个异常类型；4）使用Exception捕获所有异常；5）finally语句的用法；6）综合示例展示用户输入错误的处理。文章强调异常处理能防止程序崩溃，提供错误处理逻辑，并通过多个代码示例演示了不同异常处理方式的

Rust通过所有权和类型系统提供"无畏并发"支持，使并发错误在编译时被发现而非运行时。Rust标准库采用1:1线程模型（一个操作系统线程对应一个语言线程），通过thread::spawn创建新线程并执行闭包代码。使用JoinHandle的join方法可以等待线程完成，防止主线程提前退出。线程执行顺序不确定，但join能确保特定线程完整执行。Rust的并发设计权衡了性能与安全性，避免了竞争条件和死锁

在任何时刻，运行中的程序都会占据一部分的内存。*有时候程序需要更多的内存，就需要向操作系统请求，这就是动态内存分配(dynamic allocation)。*

这里为了让大家对上一篇文章所创建的线性回归模型有一个基本的了解，先讲一些适用于线性回归模型评估的方法。

回归分析的定义：根据数据，确定两种或两种以上变量间相互依赖的定量关系。

同KMeans一样，KNN划分的0、1、2类与`label`的0、1、2类不一样。KNN模型本身不知道`label`，所以它的划分是随意的，虽然也会分为3类，但KNN划分的0、1、2类不一定和`label`的0、1、2类一一对应

本文介绍了机器学习中的数据分离方法和混淆矩阵评估技术。数据分离通过将原始数据划分为训练集和测试集来解决过拟合问题，确保模型对新数据的预测能力。混淆矩阵则提供了更全面的分类评估指标（TP/TN/FP/FN），可计算准确率、召回率、精确率和F1分数等关键指标。不同场景下应关注不同指标：如垃圾邮件检测需同时关注精确率和召回率，而异常交易检测则更注重特异度。文章还提供了Python代码示例，展示如何使用s

在进阶篇中我们会使用特别复杂且巨大的数据。