1.什么是决策树？

决策树是一类常见的机器学习方法，决策树是基于树的结构来进行决策。决策过程中提出的每一个问题都是对于属性的“测试”，决策的最终结论对应了我们希望的判定结果。一个决策树包含一个根节点，若干个内部节点和若干个叶子节点。其中叶子节点对应于决策结果，其他每一个节点对应于一个属性测试。每个结点对应的样本集合，根据属性测试被划分到子节点中，流程遵循递归“分而治之”（divide-and-conquer）的策略。引用《机器学习》西瓜书的图片：

2. 什么是信息熵（information entropy）?

是度量样本集合纯度（purity）的一种指标，信息熵越小，集合纯度越高。对于集合D的信息熵计算公式如下，其中pk是集合中第k类样本所占的比例：

3.什么是信息增益（information gain）?

信息增益越大，意味着使用属性a所划分获得的纯度提升越大。一般决策树的结点选择当前信息增益最大的属性作为划分结点，公式如下，其中Dv表示D中所有在属性a上取值为av的样本：

4.什么是增益率（gain ratio）？

信息增益对可取值数目较多的属性有所偏好，为了减少这种偏好带来的不利影响。引入了增益率，增益率对可取值数目较少的属性有所偏好。增益率准则使用的时候，先选择高于平均信息增益水平的attribute，然后再从中选择增益率最高的。

5.什么是剪枝（pruning）？

剪枝是决策树解决过拟合的一种方法，通过主动去掉一些分支来解决过拟合的风险。基本策略有预剪枝（pre-pruning）和后剪枝（post-pruning）。预剪枝是基于信息增益准则，我们首先要选择一个信息增益高的结点进行划分，预剪枝要使用性能评估方法对划分前后的泛化性能进行估计。后剪枝是先从训练集生成一棵完整的决策树，然后自底向上对所有结点进行逐一考查，训练时间开销比未剪枝和预剪枝都大。

6.什么是神经网络（neural network）？

神经网络是具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟真实神经系统对现实世界做出的反应，是一个包含很多参数的数学模型。神经网络的学习过程，就是根据训练数据来调整神经元之间的“连接权”（connection weight）以及每一个功能神经元的阈值。

7.什么是感知机（perceptron）？

感知机由输入层神经元和输出层神经元组成，输入层接收外界信号传递给输出层，输出层是M-P神经元。感知机只有输出层是功能神经元（function neuron），即只有输出层用激活函数进行处理。若感知机预测正确则  不修改，否则  按照学习率进行修改。感知机只能处理线性可分问题（linearly neuron），如果是线性可分问题，那么感知机的学习过程一定会收敛（converge）；否则感知机的学习过程会发生振荡（fluctuation），即  不会收敛成为一个稳定的向量。

8.什么是多层前馈神经网络（multi-layer feedforward neural network）？

是一种常见的神经网络，每一层神经元与下一层神经元互连，神经元之间不存在同层连接，也不存在跨层连接。其中输入层接收神经元输入，隐含层（hidden layer）和输出层神经元对信号进行最终加工（激活函数），最终结果由输出层神经元输出。