第 18 章是机器学习入门，侧重于监督学习，核心内容包括：

基本概念

• 训练集、测试集、输入特征、输出标签（离散分类 / 连续回归）
• 假设空间、归纳偏置、过拟合与欠拟合
• 性能度量：准确率、精确率、召回率、F1、均方误差等

决策树学习

• ID3 算法：信息增益、熵、递归划分
• 剪枝方法：预剪枝（提前停止）、后剪枝（减小错误率）
• 处理连续属性、缺失值

线性模型

• 线性回归：最小二乘法、正规方程、梯度下降
• 逻辑回归：sigmoid 函数、交叉熵损失、极大似然估计

模型评估与选择

• 交叉验证（k 折）、留一法
• 偏差-方差分解：偏差（欠拟合）、方差（过拟合）
• 模型复杂度选择（正则化：L1、L2）

支持向量机（SVM）

• 最大化间隔、核技巧（第 18 章可能仅介绍概念）

集成学习

• 袋装法（Bagging）、提升法（Boosting）、随机森林