可视化建模能通过丰富的算法组件实现拖拽式建模

朴素贝叶斯算法不需要样本特征之间的独立
同分布。

树剪枝阶段。构造过程得到的并不是最简单、紧凑的决策树，因为许多分枝反映的可能是训练数据中的噪声或孤立点。树剪枝过程主要检测和去掉这种分枝，以提高对未知数据集进行分类时的准确性。

树构造阶段决策树采用自项向下的递归方式从根节点开始在每个节点上按照给定标准选择测试属性，然后按照相应属性的所有可能取值向下建立分枝、划分训练样本，直到一个节点上的所有样本都被划分到同一个类，或者某一节点中的样本数量低于给定值时为止。

决策树算法是数据挖掘分类中的一种常用的算法。在数据挖掘领域内，分类可以看成是从一个数据集到一组预先定义的、非交叠的类别的映射过程。

监督学习的数据不需要带标签等人为标注信息

训练集分割为小一点的子集训练，这些子集被取名为 mini -batch

聚类需要从没有标签的一组输入向量中寻找数据的模型和规律

CNN中常用的正则化手段是dropout

卷积核尺寸一般是奇数

resnet可以很好解决梯度消失问题