集成学习(Ensemble Learning)有两个流派，一个是boosting派系，它的特点是各个弱学习器之间有依赖关系。另一种是bagging流派，它的特点是各个弱学习器之间没有依赖关系，可以并行拟合。

1. Antlr4是什么？

当我们实现一种语言时，我们需要构建读取句子（sentence）的应用，并对输入中的元素做出反应。如果应用计算或执行句子，我们就叫它解释器（interpreter），包括计算器、配置文件读取器、Python解释器都属于解释器。如果我们将句子转换成另一种语言，我们就叫它翻译器（translator），像Java到C#的翻译器

在使用Spark的过程中，我们通常会受限于集群的资源（比如内存、磁盘或者CPU）。为了追求更好的性能，更简洁的Spark代码，可以从以下几个方面进行实践和优化：

• 充分利用钨丝计划（Tungsten）
• 分析执行计划
• 数据管理（比如持久化、广播）
• 云相关的优化

在使用spark处理数据的时候，大多数都是提交一个job执行，然后job内部会根据具体的任务，生成task任务，运行在多个进程中，比如读取的HDFS文件的数据，spark会加载所有的数据，然后根据block个数生成task数目，多个task运行中不同的进程中，是并行的，如果在同一个进程中一个JVM里面有多个task，那么多个task也可以并行，这是常见的使用方式。

Metric tree in an indexing structure that allows for efficient KNN search¹

Metric tree organizes a set of points hierarchically

• It’s a binary tree: nodes = sets of points, root = all points
• sets across siblings (nodes on the same level) are all disjoint
• at each internal node all points are partitioned into 2 disjoint sets

基于密度的方法(Density-based methods)

基本思想

基于密度的方法：k-means解决不了不规则形状的聚类。于是就有了Density-based methods来系统解决这个问题。该方法同时也对噪声数据的处理比较好。其原理简单说画圈儿，其中要定义两个参数，一个是圈儿的最大半径，一个是一个圈儿里最少应容纳几个点。只要邻近区域的密度（对象或数据点的数目）超过某个阈值，就继续聚类,最后在一个圈里的，就是一个类^{各种聚类算法}。DBSCAN（Density-Based Spatial Clustering of Applications with Noise）^dbscan论文就是其中的典型.