Update 6.决策树.md

docs/6.决策树.md

@@ -55,7 +55,7 @@ from sklearn.tree import export_graphviz
 
 我们的第一个决策树如图6-1.
 
-![1528081141956](../images/chapter_6/102.jpg)
+![1528081141956](../images/chapter_6/102)
 
 ## 开始预测
 
@@ -89,7 +89,7 @@ $$
 
 图6-2显示了决策树的决策边界。 粗的垂直线代表根节点（深度0）的决定边界：花瓣长度= 2.45厘米。由于左侧区域是纯的（只有Iris-Setosa），所以不能再进一步分裂。 然而，右边的区域是不纯的，所以深度1的右边节点在花瓣宽度= 1.75厘米处分裂（用虚线表示）。 又由于max_depth设置为2，决策树在那里停了下来。 但是，如果将max_depth设置为3，两个depth-2节点每个都将会添加另一个决策边界（用虚线表示）。
 
-![1528084209205](pictures/103)
+![1528084209205](../images/chapter_6/103)
 
 > 模型小知识：白盒与黑盒
 >
@@ -119,7 +119,7 @@ Scikit-Learn 用分裂回归树（ Classification And Regression Tree  简称CAR
 
 算法会尝试最小化成本函数。方法如公式6-2
 
-![1528086977613](pictures/104)
+![1528086977613](../images/chapter_6/104)
 
 当它成功的将训练集分成两部分之后， 它将会继续使用相同的递归式逻辑继续的分割子集， 然后是子集的子集。当达到预定的最大深度之后将会停止分裂（由 the  max_depth hyperparameter最大深度参数决定）， 或者是它找不到可以继续降低不纯度的分裂方法的时候。几个其他超参数（之后介绍）控制了其他的停止生长条件（min_samples_split ,  min_samples_leaf ,  min_weight_fraction_leaf , and  max_leaf_nodes）。
 
@@ -182,7 +182,7 @@ min_samples_split（节点在被分裂之前必须具有的最小样本数），
 
 图6-3显示了对moons数据集(在第5章介绍过)进行训练生成的两个决策树模型, 左侧的图形对应的决策树使用默认超参数生成(没有限制生长条件), 右边的决策树模型设置为min_samples_leaf=4.很明显, 左边的模型过拟合了, 而右边的模型泛用性更好.
 
-![1528200053568](pictures/105)
+![1528200053568](../images/chapter_6/105)
 
 ## 回归
 
@@ -196,7 +196,7 @@ tree_reg.fit(X, y)
 
 结果如图6-4所示
 
-![1528201231718](pictures/106)
+![1528201231718](../images/chapter_6/106)
 
 这棵树看起来非常类似于你之前建立的分类树,  它的主要区别在于，它不是预测每个节点中的样本所属的分类，而是预测一个具体的数值。 例如，假设您想对x~1~= 0.6的新实例进行预测。 从根开始遍历树, 最终到达预测值等于 0.1106的叶节点。该预测仅仅是与该叶节点相关的110个训练实例的平均目标值。 而这个预测结果在对应的110个实例上的均方误差(MSE)等于0.0151。
 
@@ -204,17 +204,17 @@ tree_reg.fit(X, y)
 
 (译者注释: 图里面的红线就是训练实例的平均目标值, 对应上图中的value)
 
-![1528374511221](pictures/107)
+![1528374511221](../images/chapter_6/107)
 
 CART算法的工作方式与之前处理分类模型基本一样，不同之处在于，现在不再以最小化不纯度的方式分割训练集，而是试图以最小化MSE的方式分割训练集。 
 
 公式6-4显示了成本函数, 该算法试图最小化这个成本函数.
 
-![1528375227547](pictures/108)
+![1528375227547](../images/chapter_6/108)
 
 和处理分类任务时一样, 决策树在处理回归问题的时候也容易过拟合.如果不添加任何正则化(默认的超参数), 你就会得到图6-6左侧的预测结果, 显然, 过度拟合的程度非常严重. 而当我们设置了min_samples_leaf = 10, 相对就会产生一个更加合适的模型了, 就如图6-6所示的那样.
 
-![1528375360553](pictures/109)
+![1528375360553](../images/chapter_6/109)
 
 ## 不稳定性
 
@@ -224,11 +224,11 @@ CART算法的工作方式与之前处理分类模型基本一样，不同之处
 
 解决这个难题的一种方式是使用PCA主成分分析(第八章), 这样通常能使训练结果变得更好一些.
 
-![1528375963759](pictures/110) 
+![1528375963759](../images/chapter_6/110) 
 
 更加通俗的讲, 决策时的主要问题是它对训练数据的微小变化非常敏感, 举例来说, 我们仅仅从鸢尾花训练数据中将最宽的 Iris-Versicolor拿掉(花瓣长4.8厘米，宽1.8厘米), 然后重新训练决策树模型, 你可能就会得到图6-8中的模型.正如我们看到的那样, 决策树有了非常大的变化(原来的如图6-2),事实上, 由于Scikit-Learn的训练算法是非常随机的, 即使是相同的训练数据你也可能差别很打的模型(除非你设置了随机数种子). 
 
-![1528376468395](pictures/111)
+![1528376468395](../images/chapter_6/111)
 
 我们下一章中将会看到, 随机森林可以通过多棵树的平均预测值限制这种不稳定性.