你看到的是非授权版本！爬虫凶猛，请尊重知识产权！
转载请注明出处：http://conanwhf.github.io/2018/02/22/decisionTree/
访问原文「《机器学习实战》笔记（二）：决策树」获取最佳阅读体验并参与讨论
优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。
缺点：可能会产生过度匹配问题。
适用数据类型：数值型和标称型。
非大师范德萨
这一章的实践内容主要是手写数字识别。程序上的事情没什么好说的，我的主要改动就是把作者的numpy改成了pandas，并且将分类结果存在了dataframe同一个表中而不是单独分开，代码在此。
从去年的十二月，我开始了我的游泳训练。以前也游泳，但算不上“训练”；现在几乎每天都游，多少有点正式训练的样子了。也正是这种有规律的训练模式，让我有了一些感悟和体会，当然不是心灵鸡汤式的，却也忍不住想记录下来，算是一篇流水帐吧。
关于为什么要游泳这个问题，其实是两个问题：为什么要做运动，和为什么选择游泳作为运动项目。
为什么做运动的答案非常简单：为了减肥。相比体重不过百的曾经，我现在说自己是胖子都觉得不准确，应该是“痴肥”。我是一个骨架不大脸很小的人，从小就是瓜子脸、巴掌脸，身上纵然肉嘟嘟，脸上依然没有肉。而当有天突然发现自己变成了满月脸、走一层楼就气喘加头痛、侧面伸手摸不到膝盖因为腰上肉太多、体重飙升50%的时候，我才真真切切意识到：太胖了！！！
事实上我的运动计划早在两三年前就开始实施了，跑步、打篮球、有氧操、重训等等，也确实有效地提升了我的心肺、降低了我的体重。然而每次成果显现，便有新的情况中断了我的训练。两次是很有兴趣也时间很紧的项目，一次是去年的腰伤。特别是去年受伤后，我直接在家躺了三个月，修养了大半年，几乎是没怎么出过门，终于，把自己又养到了不敢上称的地步。
上周做了个股指的回顾，想用Python画图看看最近20年不同指数的变化情况，需要用到常用的matplotlib库来绘制折线图。整个plot函数的功能和参数很多，但作为初学者，我只用到了一些基本和常用的功能，想必普通画图也已经够了。
绘制折线图，实际上是根据x,y两个数组的数据来绘制一组数据点，并将它们用直线连接起来。而将每个点想象在一个直角坐标系中，x,y两个数组中的数据，也就是每个点的xy坐标。所以，在绘制函数中，要求x,y的数目相等，否则便会报错：ValueError: x and y must have same first dimension。
下面是一个最简单的绘制折线的例子，如果你用过Matlab的话一定感到非常熟悉（绘制结果略）：
#加载库
import matplotlib.pyplot as plt
#定义数据
x=[1,2,3,4,5]
y=[1,4,9,16,25]
fig,ax = plt.subplots() #初始化
plt.plot(x, y) #绘制函数
plt.show() #显示
首先是结论：我决定放弃学习iOS开发。在这两年的时间里，我学习了swift语言，学习了简单的iOS应用的一些内容，包括各种控件、界面元素、动画、操作的实现等等。我练习了一些swift语言本身的Demo，并用纯swift写了一些小的app，至今纯属练手，质量和创意都还达不到上架的要求。事实上从第二年开始我就比较少写iOS代码了，但即使是一年这个进度也是很差的了。
一直自我评价是个学习速度比较快的人，大学里花很短的时间完成过不少使用不同语言的小项目，但也许是老了学习能力变差了，这次的iOS学习却是让我感觉最困难的。一开始我就碰到了swift语言不稳定的问题，我开始的时候正是1.0到2.0的转换时期，很多用法、API的变化让我搜索问题的时候一头雾水，因为写文章的人并不会特意说明自己使用的版本，对于新人来说，看着1.0的教程，用着2.0的编译器确实有点难受，好在这也不是什么特别大的问题，克服克服就过了。但是后来的3.0、4.0就有点夸张了，我是那种Makefile里面要写-O3还绝对不允许自己代码编译的时候出现任何warning的人，看着更新一下Xcode再打开自己的项目一下子出来几百个红黄感叹号，我真的要晕过去了！！！
真正的问题出在开始学写应用了之后。
这些小Tips为本人近期读书笔记，收集来自网络开发者发布的技术文档，并非原创，共享的目的是为了扩散分享技术，共同进步。如有侵权不得转载等情况，请联系我告知，谢谢！
机器学习最近太火，本来不想跟风，但是看到alphaGo的表现和最近的业内新闻，深深感觉到不赶紧跟一跟就要被时代的浪潮拍死在沙滩上了……没太多时间潜心磨练代码，只能从经典《机器学习实战》开始跟着写写，一章一章慢慢过，然后记录一下自己的理解和碰到的问题。
事实上，我在大学里已经学过一门《模式识别》，算是机器学习的前身，那时的内容和现在的实际应用相比已经是垂垂老矣，但有的部分也可以算作是复习。整本书的示例代码是python2+numpy，但我觉得照书打一遍一点意思也没有，于是改用自己相对比较熟悉的python3+pandas（其实也不太熟，边百度能写出代码的水平）重构代码，顺便练习python。这里要吐槽一下作者的github，还专门放了个 machinelearninginaction3x的项目，我估计就是从原版fork出来还没来得及改吧，打开里面还是python2的代码。
第一章就没啥可说的了，介绍一点机器学习的概念。我的理解是机器学习并不是一种创造的过程，不能无中生有，它其实就是通过各种数据在学习怎么将事物分类。这个分类和学习都不是狭义上的，学习的数据可以没有正确答案（无监督学习），而分类目标可以不是单纯的类别（预测数值型数据）。简单来说，机器学习的目的就是通过已有数据构造一个分类器，来预测其他数据的结果。