回归和分类任务中，不过场景更加复杂和具体。”

“举个例子，就像是我面对你们这个班级，如何分辨出哪些是好学生？如果只是依据高考成绩，或者出一套试卷让你们做的话，唯分数论的话，就有些太粗暴了。”

“那么，我就可以从作业、态度、出勤、提问等方面分开讨论，每一个有分叉的圈称为节点，在每一个节点上，根据可用的特征询问有关数据的问题，左右分支代表可能的答案，最终节点对应一个预测值，每个特征的鹅重要性都是通过自顶向下方法确定的，节点越高，其属性也就越高，比如说我如果觉得勤奋比成绩更重要，所以勤奋的节点就高。”

“第四种，naive bayes朴素贝叶斯，是基于贝叶斯定理，即两个条件关系之间，它测量每个类的概率，每个类的条件概率该出的x值。”

“用非术语解释贝叶斯定理，那就是通过a条件下发生b的概率，去得出b条件下发生a的概率，当然了，这个过程中还要引入一些其他数据用以确保结论正确。”

“第五种，artificial neural works人工神经网络，其本质是一组带有权值的边和节点组成的相互联接的层，称之为神经元，在输入层和输出层之间，可以插入多个隐藏层，人工神经网络使用了两个隐藏层，还需要处理深度学习。”

“人工神经网络的工作原理和大脑的结构类似，一组神经元被赋予一个随机权重，以确定神经元如何处理输入数据，通过对输入数据训练神经网络来学习输入和输出之间的关系。”

“在训练阶段，系统可以访问正确答的答案，如果网络不能准确识别输入，系统就会调整权重，通过充分的训练后，它会始终如一地识别出正确的模式。”

“而在神经网络之中有一个比较有意思的应用就是图像识别，你们有兴趣的话，也可以在这上面多费些心，以后