PleaseBeStrong的博客

前面讲到的回归就是一种典型的监督学习算法，需要我们标注数据集和期望结果集。但是日常生活中往往没有准确的期望值给我们，比如说我如何在上万文章中分类？同一文章所属的类别可否不同？这些问题使用回归就无法很好的给出解释并预测新结果，这时候就需引入无监督学习，即🧐而就是典型的一个无监督学习算法，通俗点来讲就是将数据集分成一类一类，怎么分？分成几类就是我们下面要讨论的问题如下图例子

正则化用于解决过拟合问题是一个非常好的方法！！通过限制某个项对应的权重来削减其对模型的影响，同时又保留该项不至于删掉特征值导致模型不够完整。

之前我们学习了线性回归，但是我们发现线性回归往往不能够很好的做分类问题，此时就需要引出另一个回归模型即是逻辑回归。

在学习完线性回归后，我们就会想到Python有没有带相关的包让我们开发者更快上手呢？scikit-learn就是一个功能强大的包，其中提供了回归，分类等等实现接口！！

在机器学习的监督学习中最常用的算法就是回归算法，而线性回归又是其中之一。

总的来说，算法遍历时先从根节点出发，对子节点做UCB1算法，筛选出相应的子节点后就可以判断如果是叶子节点且没有被遍历过 -->rollout如果是叶子节点且已经被遍历过 -->expansion如果不是叶子节点（比如中间的那一层节点） -->应该继续通过UCB1算法筛选出下一个需要遍历的节点适用于大分支因子的搜索树，而且可以通过硬件提升大量rollout的并行化。

剪枝往往结果是好的，能减少不必要的递归提升效率，但是其本质任然是一个深度遍历递归，当通过评估函数得到的评估值很极端时就会导致剪不了几条枝叶，达不到提升性能的目的（像上面这个例子，基本上就剪了一条无关紧要的，其他还是得遍历🙃）Minimax - 当我们的对手表现最佳时使用，可以使用α-β修剪进行优化。万一遇上不太聪明的队手呢。。。Minimax提供了比expectimax更保守的操作，因此往往当对手未知时，会产生有利的结果。

即是在满足所有变量的约束条件下，达到目标结果。