在將 kNN 應用到分類任務之前，常見做法是使用像 min-max normalization 這類技術來重新縮放資料。這個步驟的目的為何？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
由於 kNN 演算法可說是「以範例學習」，非常適合用來開始理解監督式機器學習。本章將介紹分類，並示範如何將 kNN 應用於自駕車的道路標誌辨識。
當前練習
樸素貝葉斯運用統計學的原理來進行預測。本章將介紹貝葉斯方法的基礎，並探索如何將這些技術應用到類似 iPhone 的目的地建議。
羅吉斯迴歸透過對數值資料擬合一條曲線，來預測二元事件。這可說是最廣泛使用的機器學習方法之一。本章將概覽此技術，並示範如何把它應用在募款資料上。
分類樹使用類似流程圖的結構來做決策。由於人類容易理解這種樹狀結構，當需要透明度時（例如貸款審核），分類樹特別實用。我們將使用 Lending Club 資料集來模擬這個情境。
