{r setup, include=FALSE} knitr::opts_chunk$set(eval = FALSE)
<!-- 决策树方面，这个图最直观。 -->
- 数学： · 决策树（一）· 混乱程度 ， $pi \in [0,1] \to H(Y) \geq 0$ ， 所以最小值是0，这样的话，说明在一个分支内，异质性很小。 ， 这个可以总结一下。
<!--  -->
决策树理论部分可以参考 Brett Lantz Machine Learning with R - Second Edition.pdf的126页附近。 决策树的解释意思就是 它会给出一个可能性，如果你的答案是$1$或$0$，那么答案就是$1$的概率为$p$，$0$的概率为$1-p$。
<!-- 决策树理论部分可以参考 -->
<!-- *Brett Lantz Machine Learning with R - Second Edition.pdf*的131页附近。 -->
<!-- Box Office Bust 在其中占比最高，所以导致了预测概率最大，因此这个节点的结果是Box Office Bust。 -->
在看完决策树后，可以了解一下随机森林，具体的之后我再准备给你。他们之间大致的关系如下图。
```{r echo=FALSE, message=FALSE, warning=FALSE} library(DiagrammeR) xgboost <- grViz( digraph boxes_and_circles {
决策树 Bagging 随机森林 boosting xgboosting
决策树 -> Bagging [label = ‘对样本重抽样，然后多个树平均’]
Bagging -> 随机森林 [label = ‘再同时对特征进行随机挑选’]
决策树 -> boosting [label = ‘对随机森林中的树进行加权平均，而非简单平均’]
boosting -> xgboosting [label = ‘对boosting中的树进行正则化’] } “) xgboost ```
这是随机森林需要看到的地方， 贝叶斯、支持向量机、神经网络也是用到的常用方法，这个可以之后跟你说，我先说我最熟悉的。