学习目标

• 描述分类
• 列表分类算法
• 解释多类别 Prediction
• 解释如何创建 Regression Tree
• 描述分类及其应用和 Use Cases
• 列出并解释分类算法，包括决策树和 K-NN
• 应用 softmax 回归、One-vs-All（One-vs-Rest）和 One-vs-One 分类方法背后的理论
• 讨论多类预测以及如何构建和学习 Decision Tree
• 使用决策树算法开发分类模型
• 区分分类树和回归树，并解释如何创建回归树
• 使用 Scikit-Learn 和 Snap ML Python API 执行基本的数据预处理和回归任务建模
• 使用 Scikit-learn 和 Snap ML 训练决策树回归模型，运行推理并评估所训练模型的质量
• 使用 Scikit-Learn 和 Snap ML Python API 在 Python 中执行基本的数据预处理并为分类任务建模
• 使用 Scikit-learn 和 Snap ML 训练支持向量机和决策树模型，运行推理并评估所训练模型的质量
• 解释 K-NN 算法的工作原理以及 k 值如何影响其结果
• 描述支持向量机 (SVM)、其应用和 Python 实现工具
• 分析偏差和 Variance 对模型准确性的影响，并 Evaluation 减缓偏差和 Variance 的技术
• Evaluation the outcomes of Bagging and Boosting methods and explain the bias-variance tradeoff in model complexity（评价 Bagging 和 Boosting 方法的结果并解释模型复杂性中的偏差-方差权衡
• 使用 Scikit-learn 实现 Random Forest 和 XGBoost 回归模型，并比较它们的性能