江筝小霸王

随着特征值得维度越来越高，模型得计算也将越来越复杂，速度也会越来越慢，因此降维将会变得非常重要，本章主要了解一下投影和流形学习两种方法。

集成学习中还有一个不错的方法就是堆叠泛化法，他类似投票法，但是他以新的预测器(blender)代替之前我们使用的投票方法，将上一层的预测做为输入输出最后的预测值。

提升法能将几个弱学习器结合成一个强学习器的任意集成。而当前比较热门的就是AdaBoost和Grandient Boosting，快进来学习学习。

前篇讲了bagging和pasting方法，而本篇章正式基于这两个方法实现将多个决策树集成一个随机森林，并提升整体性能。

当我们能够聚合众人的智慧来探讨一个复杂问题，往往会比单独找一个专家来回答要好。同样的集合多个预测器的预测结果也往往比单个预测器要好。

下面我们还继续了解CART训练算法，怎么更换测量方式，如何正则化，有哪些超参数可以正则化以及在回归中如何应用。

快来看看新鲜出炉的决策树哟！以一个案例深入浅出讲解什么是决策树，如何是由dot工具将决策树预测过程可视化。

线性SVM分类器在很多情况下，虽然有着不错的结果，但总有非线性问题不能处理。本文讲解了两种处理非线性问题的方法。

SVM是一个强大且全面的机器学习模型，本篇是讲其线性SVM分类器的部分，前面简单的了解其内容，最后用一个例子帮助理解和记忆。