背景为211本硕&计算机科班，无论文无实习，去年趁着暑假时间做了两个竞赛，名次top20这样子，研究生主要是做城市计算的，涉及到机器学习、深度学习、强化学习和图方面的一些算法和内容，导师不怎么管，所以这些理论知识基本都是自学的，其中强化学习是因为疫情在家，觉得开学要找工作了，只靠机器学习和深度学习估计没啥竞争力，所以硬着头皮把强化学习的理论给啃了下来，希望能添加点亮点；剑指offer在家刷了一遍，6月份开学开始刷leetcode，大概刷了150道左右吧，刷的题不是很多，所以后面面试考算法题不是特别顺利，笔试难点的公司基本挂掉。

本文分享基于 Fate 使用 横向联邦 神经网络算法 对 多分类 的数据进行 模型训练，并使用该模型对数据进行 多分类预测。

在大多数情况下不同类别的分类代价并不相等，即将样本分类为正例或反例的代价是不能相提并论的。例如在垃圾邮件过滤中，我们希望重要的邮件永远不要被误判为垃圾邮件，还有在癌症检测中，宁愿误判也不漏判。在这种情况下，仅仅使用分类错误率来度量是不充分的，这样的度量错误掩盖了样本如何被错分的事实。所以，在分类中，当某个类别的重要性高于其他类别时，可以使用Precison和Recall多个比分类错误率更好的新指标。

在大多数情况下不同类别的分类代价并不相等，即将样本分类为正例或反例的代价是不能相提并论的。例如在垃圾邮件过滤中，我们希望重要的邮件永远不要被误判为垃圾邮件，还有在癌症检测中，宁愿误判也不漏判。在这种情况下，仅仅使用分类错误率来度量是不充分的，这样的度量错误掩盖了样本如何被错分的事实。所以，在分类中，当某个类别的重要性高于其他类别时，可以使用Precison和Recall多个比分类错误率更好的新指标。

机器学习是一类技术，用于自动寻找数据中的规律，并使用它来推断或预测。你已经看到了线性回归，这是一种机器学习技术。本章介绍一个新的技术：分类。

本系列是机器学习课程的系列课程，主要介绍机器学习中分类算法，本篇为分类算法开篇与决策树部分。

网页之间链接关系蕴藏着网页重要性排序关系，购物车商品清单蕴藏着商品关联关系，通过对这些关系的挖掘，可帮助我们更清晰世界规律，并利用规律提高生产效率，改造世界。

本文取自《机器学习实战》第二章，原始为python2实现，现将代码移植到python3，且原始代码非常整洁，所以这本书的代码很值得学习一下。