这篇帖子主要讲的是人工智能。

进入正题，我们今天要介绍的是人工智能模型的决策树。下面可以通过一个简单的例子来了解。

【决策树a】

参数为age，表示年龄;

        如果age >= 16 那么{

            可以骑电瓶车;

        }

        不然的话{

            不可以骑电瓶车;

        }

这是一个简单的决策树，用于判断应该给 受害人 用户推送怎样的工具。

但是真实情况很复杂。想必抖音大家都玩过，你用的越久，你就会发现，抖音给你推送的东西都很符合你的喜好。而仅靠这么几行的决策树，是不可能解决这样的问题的。

那我们要怎么解决呢，答案是： 写一万个if 使用人工智能

在没有人工智能的年代，写各种程序全靠肝，但是现在我们有人工智能了，自然要用人工智能解决。

如果想用人工智能解决这个问题的话，就需要先训练一个模型。

模型是什么？

简而言之，模型就是一种类似于函数的东西。他需要你传入参数，例如上面的【决策树a】，需要传入参数age，然后经过它一顿计算，最后会返回要给用户推送啥。

那要如何训练模型？

想要训练模型，就必须要有数据。我们的模型不仅要训练，还要看看它训练的怎么样。所以，我们需要把数据进行拆分。通常，拆分的最佳比例为7:3（7是训练，3是评估）。

接下来，我们要拿训练数据去训练模型。由于本文只是介绍基本概念，没有放代码，所以说这些可以自行了解。

训练好的模型还要拿去评估。我们使用测试数据去测试模型。接下来才是本文的关键：

想必大家都想到了，有一种评估方式叫做“平均正确率”。一般平均正确率大于90%以上的都是好模型。

例如有100个测试数据，对了94个，那么这个模型的正确率就是94%，是好模型。

但是你们觉得这个办法他就一定可靠吗？

假设我们瞎写了一个性别判断模型，不管传入的参数是什么，他都会输出“男”，而我们的测试数据有10个，9个数据的正确答案都是“男”，只有一个的正确答案是“女”，那么你们想想，这个模型的正确率是多少？这个模型好吗？

显而易见，这个模型的正确率高达90%，但是如果把他投入到实际应用，估计全天下的女生都得要变性。所以说，我们还有一个判断标准，叫“召回率”。

召回率要怎么计算呢？我们先把测试数据里的结果为女的暂时删掉，再评估一遍平均正确率，显然，是100%。

然后，再去掉男的，让模型在女队里评估一遍，显然，正确率为0%。

随后，我们就知道了，这个模型男的召回率为100%，女的召回率为0%。通常，我们评估模型都是先评估一遍平均正确率，在评估一遍各个结果对应的召回率。只有当所有数值都大于90%的时候，这个模型才算是好模型。

这个垃圾的性别判断模型，平均正确率为90%，男的召回率为100%，女的召回率为0%，而这个模型女的召回率明显不达标，所以这个模型十分垃圾。

今天就先讲到这，期待下一讲吧！