更新 7 AdaBoost的 bagging和boosting 通俗案例

docs/7.利用AdaBoost元算法提高分类.md

@@ -11,6 +11,7 @@
     * 2. 每个数据集都是通过在原始数据集中随机选择一个样本来进行替换(替换：意味着可以多次选择同一个样本，也就有重复值)而得到的。
     * 3. 该算法作用的数据集就会得到S个分类器，与此同时，选择分类器投票结果中最多的类别作为最后的分类结果。
     * 4. 例如：随机森林(random forest)
+    * 追美女：美女选择择偶对象的时候，会问几个闺蜜的建议，最后选择一个综合得分最高的一个作为男朋友
 * boosting
     * boosting是一种与bagging很类似的技术。不论是boosting还是bagging当中，所使用的多个分类器的类型都是一致的。
     * 区别是什么？
@@ -19,6 +20,7 @@
     * 3. 由于boosting分类的结果是基于所有分类器的加权求和结果的，因此boosting与bagging不太一样。
     * 4. bagging中的分类器权重是相等的，而boosting中的分类器权重并不相等，每个权重代表的是其对应分类器在上一轮迭代中的成功度。
     * 目前boosting方法最流行的版本是： AdaBoost。
+    * 追美女：第1个帅哥失败->(传授经验：姓名、家庭情况) 第2个帅哥失败->(传授经验：兴趣爱好、性格特点) 第3个帅哥成功
 * AdaBoost(adaptive boosting: 自适应boosting)
     * 能否使用弱分类器和多个实例来构建一个强分类器？ 这是一个非常有趣的理论问题。
     * 优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调节。

docs/9.树回归.md

@@ -3,7 +3,7 @@
 
 * 树回归是什么？
     * 分类回归树(Classification and Regression Tree，CART)是一种典型的决策树算法，CART算法不仅可以应用于分类问题，而且可以用于回归问题。
-    * CART算法构建的回归树并介绍其中的树剪枝技术(该技术主要的目的是防止数的过拟合)
+    * CART算法构建的回归树并介绍其中的树剪枝技术(该技术主要的目的是防止树的过拟合)
 * 树回归的构建
     * 优点：可以对复杂和非线性的数据建模。
     * 缺点：结果不易理解。