线性模型:
离散转为连续的变换:
检查是否有"序"的变化，若有"序"，则连续化；否则，转化为k维向量
最小二乘解:
多元线性回归:
广义线性模型:
线性判别分析:
由于将样例投影到一条直线(低维空间)，因此也被视为一种"监督降维"技术。
多分类学习:
拆解法:将一个多分类任务拆分为若干个二分类任务求解
类别不平衡:
当要丢掉的小类的价值更好时我们才需要处理
常见的类别不平衡学习方法:
过采样:使小类增加，增加到与大类一样多
欠采样:使大类变小，使得与小类一样多
阙值移动:少数算法才能做到，比如支持向量机
决策树:
策略:"分而治之"；自根至叶的递归过程；在每个中间结点寻找一个"划分"属性
三种停止条件:
1.当前结点包含的样本全属于同一类别，无需划分
2.当前属性集为空，或是所有样本在所有属性上取值相同，无法划分
3.当前结点包含的样本集合为空，不能划分
信息增益划分:
信息熵是度量样本集合"纯度"是常用的一种指标
其他属性划分准则:
信息增益:对可取值数目较多的属性有所偏好
增益率:
基尼指数:
决策树剪枝:
剪枝是决策树对付"过拟合"的主要手段。
预剪枝:提前终止某些分支的生长。
后剪枝:生成一颗完全树，再"回头"剪枝。
缺失值的处理:
使用带缺失值的样例，需处理:
Q1：如何进行划分属性选择
Q2：给定划分属性，若样本在该属性上的值缺失，如何进行划分
基本思路:样本赋权，权重划分