前段时间，对于很多刚刚高中毕业的人要面临填志愿的困难选择，毕竟上大学的专业学习少则影响大学4年，多则影响个人未来的一辈子的方向该往哪里走。专业的选择无疑是人生道路上的第一次职业选择，选对了幸福，错了就诅咒学校开的课程“什么鬼玩意？”。
做职业的选择需要理性的结构性思考与分析，简单来讲你选择的专业要1、劳资喜欢；2、劳资有耐性；3、这玩意有希望。满足以上三个条件的话，证明你在奔上快车道了。在这里引用村上春树在《我是职业小说家》中的自述，“私人思维历程‘，这方法很有启发性与借鉴的意义。不论你是选择做一名小说家，还是其它职业。曾经，听到很多同学吹嘘，开个公众号把！开个淘宝店把！在路边，妈的摆个地摊都能月入2w。听到这些不堪会问，”1、它能让你由衷地感受快乐；2、它能让你感受到价值？；3、它是否契合你的天性；4、它是否足以让你谋生？“在算法学习中也是不断面临这种问题，分类，决策、回归。正确的选择可以让我们少奋斗十年。
时间宛如匆匆赶火车的旅人一样，总会给人一种即使如期而至，却永远不会如期而归一样。从开始到现在不知不觉地匆匆过了六个星期，正如旅人一样，我如期学会了算法入门、python编程基础、数据分析基本这些极其重要的东西。重要的事情说三遍，我学会了这些知识的入门、基础、基本。
回顾这星期的学习里面，K-mean算法、KNN、决策树这三种算法是如此的伶人。在学习K-mean的时候总有一种熟悉的感觉，因为曾经脑抽的我给远方的一位同学写过一个关于K-mean的论文。当时的想法只是匆匆地赶上毕业就好的样子，只是一味地复制和粘贴。并没有理解其中的意义，现在学起来感觉就好像遇见舒坦的海边夕阳一样，关键在于把握好你所要选取的K个中心点，K个代表K个类。再通过计算每个对象点到这分别K个点的距离，通过比较距离，最小距离的就是属于这个类了。KNN在这里和K-mean有着老表关系一样，首先在开始我划分了某个中心点，中心点就不能改变了，之后我再定义一个K值，这个K值也不再是上面说的分类，而是K个对象，一般为奇数。划分好了再围绕中心点划分K个最近的对象就好了。在K的对象里面，数量多的类别就是中心点要划分的类别了。
感觉最有意思的还是决策树，看似简简单单的一棵树，用多组数据按照一定的计算量组合起来。首先最重要的就是决定树根，决定树根后决定树根下一个分支，这样重复计算下去每次计算确定一个点之后都要从数据集里面踢去掉确定下来的数据。因为已经不能再受这个数据集影响了。在整个决策过程最让人费劲的还是不断计算熵值，通过历史熵和信息熵的差值计算得到信息增益，信息增益最小的那个就是你所要决定的分支了。
决策树通过计算决定整棵树，最终是都不会离开决定Yes or No ，可以说是分类的一种，最终分类成是与否。不管是决策树、K-mean，KNN，都涉及分类问题，但是我认为这三个分类方法最大的不同在于，决策数通过计算信息增益能获得最佳的树状分类，但是，相对而言KNN和K-mean并没有最佳的说法，只有趋向最佳的分类了。
原文地址：https://www.cnblogs.com/pengjiesheng/p/9535026.html