Tim's Note

在使用Unity开发游戏的时候经常用到红点系统，当玩家点击之后，或者收到服务器数据之后，都需要刷新红点的显示。如果每个人都自己写自己的红点模块，会增加不少的重复任务量，因此迫切需要一个通用的红点系统，其他模块只需要编写自己模块的表现层代码即可。所以单独抽取了一个红点树的逻辑。简单用UGUI拼了个界面，可以先看效果（暂时以数字表示红点数，0就是没有红点）：

之前学习了几种分类的算法：逻辑回归、KNN近邻。这次来看另外一种模型：决策树。决策树是一种对实例进行分类的树形结构，通过多层判断区分目标所属类别。决策树的本质就是通过多层判断，从训练数据集中归纳出一组分类规则。其优点：计算量小，运算速度快；易于理解，可清晰查看各种属性的重要性。但是容易忽略属性间的相关性；样本类别分布不均匀时，容易影响模型表现。

使用 sklearn.cluster 模块可以对未标记的数据进行聚类。对于这类非监督的聚类算法来说，因为数据都是未标记的，所以模型训练完毕后得到的结果可能是与真实标记结果匹配不上的，需要手动矫正一下数据。对于 K-Means 算法来说，我们需要指定一个类别数量。Mean-shift 只需要根据指定的采样数量，自行计算搜索半径，不需要手动指定簇的数量（这里说的簇也就是类别，在 Sklearn 的文档里都叫做簇）。最后会对比一下有监督学习的 KNN 算法，看看效果。

最近用了一段时间的TextMeshPro，也是逐渐对其有一定了解以及自己的一些看法。先说说为什么最近项目切换了TextMeshPro呢？主要还是因为内存问题，项目中Unity版本2020.x，Unity想要升级的要话踩的坑确实有点多，没像Android那样平滑升级，所以切换版本的方案暂时pass掉，在Vulkan引擎下，如果使用Aria字体会偶现内存释放不掉，甚至达到600-800M的程度，一块FontTexture占用几百M的内存，这合理吗？很显然内存优化首当其冲的就是这块FontTexture！

监督式学习：发现数据属性和类别属性之间的关联。并通过利用这些模式用来预测未知数据实例的类别属性。

无监督学习：机器学习的一种方法，没有给定事先标记过的训练示例自动对输入的数据进行分类或分群。

非监督式学习中研究最多、应用最广的是聚类算法（Clustering）。常见的无监督学习应用在聚类分析、关联规则、维度缩减等。聚类算法是机器学习的一种，属于非监督式学习，没有给定事先标记过的训练示例，自动对输入的数据进行分类或分群，所以称之为聚类。

当我们要解决一个分类问题，尤其是一个二分类问题时，如果我们用线性回归去解决就会面临这样一个问题：样本量变大后，准确率会下降。这时为了更好地解决这种分类问题，我们就需要采用逻辑回归的方法了。现在有两个逻辑回归的实战案例：考试通过预测、芯片检测通过预测。同样本次练习也是基于sk-learn库， 通过逻辑回归实现二分类。

对垃圾邮件进行检测分类是机器学习中的经典案例，如何对垃圾邮件进行检测呢？首先需要人为标注样本邮件为垃圾/正常，然后计算机获取匹配的样本邮件及其标签，学习其特征，后面计算机针对新的邮件，自动识别其类型。用于帮助判断是否为垃圾邮件的属性，比如正文包含：现金、领取、红包、优惠、新品推广、季末促销、优惠套餐、折扣优惠、积分优惠等等。对于分类问题还比如图像分类、数字识别、考试通过预测……

什么是回归分析？(Regression Analysis) 回归分析是一种统计方法，用于显示两个或更多变量之间的关系。该方法检验因变量与自变量之间的关系，常用图形表示。通常情况下，自变量随因变量而变化，并且通过回归分析确定出哪些因素对该变化最重要。