*笔记： 问）我们必须针对哪些模型使用特征缩放？ A）到目前为止，我们不必将其用于“简单/多重/多项式回归”。 我们也不要将其用于“决策树/随机森林回归”，因为它没有任何意义，因为这些模型仅基于一次又一次地拆分数据，而不是基于特定的数学方程式。 我们也不必“对Logistic回归分类进行必要的使用”，但是使用它可以提高模型的性能（所以我在代码16中使用了它）。 “ KNN分类”和“ SVM（SVC）分类”以及“内核SVM（SVC）分类”和“决策树/随机森林分类”也相同。 但是，我们必须将其

Python中的数据科学与编程 表中的内容 使用每个节标题上的超级链接来阅读文章内容。 机器学习世界简介。 在本文中，我们从两个易于理解的监督学习概念开始（线性回归和K-最近邻方法） 本节是对与Python中的数据科学和编程相关的课程的综合汇编的一项较大工作的一部分。 “决策树”项目包含3个关键课程： 熵和信息增益 基尼杂质测量 用树做决定 上面的每个课程都可以帮助读者理解基于树的算法的内部工作原理。 请记住，本部分只是介绍，将介绍该算法的构建块。