第一课
分类模型的评估：
二分类模型----->就是把东西分为 两类（一类是0和一类是1）
如果是一个多分类的问题---->可以站在某一类标签的角度看，其它类的都归为另外一类----->这样就转化为 二分类了
二分类 有7个评估指标：
在多指标下，可以站在不同指标去计算指标，也就是可以站在指标1，其它都为归为一类，也可以站在指标2，其它都归为一类……， 这样就有7*类别数 个指标了
评估指标的使用原则：
1、确定哪一个类别是非常重要，需要非常关注的指标
2、重要的这一类别指标 必须达到XX%的高标准
3、其它不重要的指标也在尽量高
分类模型的其它评估指标：
回归评估指标的使用原则
回归评估指标计算的都是真实值和预测值之间的误差：
1、使用误差的方式从总体上来判断模型的好坏，原则是误差越小越好，那么这个“小”的程度需要提前规定。比如
“平均绝对误差不能超过真实值平均值的10%”，这就是一个程度规定，程度规定要根据具体场景具体制定。
2、可以使用“接受度”的概念将依据误差的评估进行转换，比如设定一个接受度的值为80%，即当预测值与真实值
之间的比值处于0.8-1.2之间则视为为“可接受”，然后设定一个可接受的样本数，比如“测试集中必须有90%以上
的样本达到可接受状态”，这样就相当于用分类评估的思想去处理回归评估。
3、可以根据实际场景的不同设定各种规则，以满足模型验收需求为前提
第二课：客户分群
客户分群时，客户本身的信息是不带标签的信息，需要使用聚类算法找到客户之间内在的联系，将相同的客户分在一起。
聚类一般使用K–means 算法
输入： 需要把客户分成几类 K； 进行分类的数据集合
输出： K个集合
过程（假如分两类）：
1、从集合中取出2个样本作为中心
2、计算其它样本 与中心的距离，把这个样本归到近的那个中心-------->最终得到两个集合
3、计算两个集合内的平均值作为中心
4、重新计算 2 -3两步，直到中心变化很小，或集合内的样本不再变
第三课：
优化K–meas算法
如果有一些离群很远的点，会造成分类不准
第四课质量分类
生产中需要对产品进行质量定级
第五课：
结果不理想时----->改变算法------->好一点，还是不理想，说明特征设计得不好
第六课 设备预测性维护
对轴承寿命和故障预测，积累一定的数据，对故障类型打标签，然后用分类或回归算法对故障进行建模。
这个用在股票上，就是前天的涨幅，昨天的涨幅，今天的涨幅，预测明天的涨幅
随机森林用于 分类还是回归—>取决于每颗决策树 是分类树还是回归树
当为回归树时---->树结点采用的分裂原则是—>最小平均方差。
回归树构建过程：
1、考虑数据集R上的所有特征j， 将数据集R分成R1和R2子集
2、分别计算R1和R2的平方误差和，选择最小平方误差对应的特征作为分割点，生成两个子节点
3、重复1和2，直到满足停止条
（这里还不是很明白）
第七课：特征的处理
