请问一下，配置环境变量到底有啥用？能全面详细解释一下么？

正则化对偏差、方差有什么影响？偏差、方差是测试集的结果衡量的吗

为什么要调到50%来训练下一个分类器

如果我第一个训练器正确率就很高不是很好？

不断调调到什么时候是个头

老师，划线部分这里缺少了过渡的内容，网上查看博客内容还有“接着我们计算第一个特征的第二个特征值，即R1为所有样本中花萼长度小于 4.9 cm 的样本集合，R2 为所有样本当中花萼长度大于等于4.9 cm 的样本集合。。。“

样本1，2属于R2 这里的0.3333是怎么计算的得到的？

集成学习可以理解为，对样本每一种特征进行训练得到一棵小树，当新数据进行预测时，其结果就是每一科小树预测结果的加和，对吗？

老师请问，gbdt里边的学习率是怎么确定，也是经验值吗？这个地方为什么也会用到学习率？

为什么总是提负梯度，为什么总是往负梯度方向进行迭代呢，不是往正梯度方向呢，正负是怎么来判断的呢

只能说基尼系数在1时近似等于信息熵，但是不意味着在【0,1】区间上也近似等于信息熵。这个近似是有条件的。

为什么CART一定是二叉树，-------------------------------------------------------------------

老师，这里进行的不就是特征一的第一个特征值，loss计算吗？

红框的内容是啥？

《章节四：GBDT算法》硬着头皮看完了，实操题也对照答案做了，可是还不太了解这个算法在什么情况下使用，需要处理的原始数据是什么形式。

准备再看一遍视频，希望能学到多一点关于GBDT算法的内容。

在这里请教一下老师：

①在学习人工智能这门课程时，如果本章内容没学懂，可以继续向下学吗？

②越往后学，感觉算法内容理解起来越吃力，有什么好的学习方法吗？

课程小建议：

①希望老师在以后讲课时能增加对与每个算法有一个小例子的详细讲解，通过例子让我们了解算法的使用，这样可以在先不了解算法的情况下（或对算法懵懂了解）掌握算法的使用，应该能够反过来帮助深入理解算法。

具体就是想知道算法需要处理什么形式的原始数据，解决了什么问题。

17行 print(rnd_clf.oob_score_)计算的是被切分的训练集中未抽样到的数据的准确率，还是测试集和训练集中所有未训练数据的准确率？

这里的收益（gain）怎么用？ 我就知道了定性可以说分裂的收益要是正的 然后总的收益加和也是要求正的。 那么从定量的角度怎么描述收益就是说1和10的区别是啥 -1和-10的区别是啥 是跟方差有关吗

老师给一个多分类的代码吗 字数不能小于20 字数不能小于20