在将 kNN 应用于分类任务之前，通常会使用 min-max normalization（最小-最大归一化）对数据进行重新缩放。这样做的目的是什么？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
由于 kNN 算法字面意义上"以示例来学习"，它非常适合作为理解监督式机器学习的起点。本章将介绍分类的基本概念，并通过将 kNN 应用于自动驾驶车辆的道路标志识别来展开讲解。
当前练习
朴素贝叶斯基于统计学原理进行预测。本章将介绍贝叶斯方法的基础，并探讨如何将这些技术应用于类似 iPhone 的目的地智能推荐。
逻辑回归通过为数值数据拟合曲线来预测二元事件。它可以说是最广泛使用的机器学习方法之一。本章将概述该技术，并演示如何将其应用于筹款数据。
分类树使用类似流程图的结构来进行决策。由于人类可以直观理解这类树形结构，当需要透明度（例如贷款审批）时，分类树非常有用。我们将使用 Lending Club 数据集来模拟这一场景。
