diff --git a/18.md b/18.md
index ae483b59a4213135eb7b6a128d7aa4e814a12188..8a66c63cbdb9448444b9efb0a0c81d6bbe3e0a00 100644
--- a/18.md
+++ b/18.md
@@ -1,26 +1,26 @@
-# 十八、深入：决策树与森林
+# 鍗佸叓銆佹繁鍏ワ細鍐崇瓥鏍戜笌妫灄
 
-在这里，我们将探索一类基于决策树的算法。 最基本决策树非常直观。 它们编码一系列`if`和`else`选项，类似于一个人如何做出决定。 但是，从数据中完全可以了解要问的问题以及如何处理每个答案。
+鍦ㄨ繖閲岋紝鎴戜滑灏嗘帰绱竴绫诲熀浜庡喅绛栨爲鐨勭畻娉曘�� 鏈�鍩烘湰鍐崇瓥鏍戦潪甯哥洿瑙傘�� 瀹冧滑缂栫爜涓�绯诲垪`if`鍜宍else`閫夐」锛岀被浼间簬涓�涓汉濡備綍鍋氬嚭鍐冲畾銆� 浣嗘槸锛屼粠鏁版嵁涓畬鍏ㄥ彲浠ヤ簡瑙ｈ闂殑闂浠ュ強濡備綍澶勭悊姣忎釜绛旀銆�
 
-例如，如果你想创建一个识别自然界中发现的动物的指南，你可能会问以下一系列问题：
+渚嬪锛屽鏋滀綘鎯冲垱寤轰竴涓瘑鍒嚜鐒剁晫涓彂鐜扮殑鍔ㄧ墿鐨勬寚鍗楋紝浣犲彲鑳戒細闂互涓嬩竴绯诲垪闂锛�
 
-+   动物是大于还是小于一米？
-    +   较大：动物有角吗？
-        +   是的：角长是否超过十厘米？
-        +   不是：动物有项圈吗？
-+   较小：动物有两条腿还是四条腿？
-    +   二：动物有翅膀吗？
-    +   四：动物有浓密的尾巴吗？
++   鍔ㄧ墿鏄ぇ浜庤繕鏄皬浜庝竴绫筹紵
+    +   杈冨ぇ锛氬姩鐗╂湁瑙掑悧锛�
+        +   鏄殑锛氳闀挎槸鍚﹁秴杩囧崄鍘樼背锛�
+        +   涓嶆槸锛氬姩鐗╂湁椤瑰湀鍚楋紵
++   杈冨皬锛氬姩鐗╂湁涓ゆ潯鑵胯繕鏄洓鏉¤吙锛�
+    +   浜岋細鍔ㄧ墿鏈夌繀鑶�鍚楋紵
+    +   鍥涳細鍔ㄧ墿鏈夋祿瀵嗙殑灏惧反鍚楋紵
 
-等等。 这种问题的二元分裂是决策树的本质。
+绛夌瓑銆� 杩欑闂鐨勪簩鍏冨垎瑁傛槸鍐崇瓥鏍戠殑鏈川銆�
 
-基于树的模型的主要好处之一是它们几乎不需要数据预处理。 它们可以处理不同类型的变量（连续和离散），并且对特征的缩放不变。
+鍩轰簬鏍戠殑妯″瀷鐨勪富瑕佸ソ澶勪箣涓�鏄畠浠嚑涔庝笉闇�瑕佹暟鎹澶勭悊銆� 瀹冧滑鍙互澶勭悊涓嶅悓绫诲瀷鐨勫彉閲忥紙杩炵画鍜岀鏁ｏ級锛屽苟涓斿鐗瑰緛鐨勭缉鏀句笉鍙樸��
 
-另一个好处是基于树的模型被称为“非参数”，这意味着他们没有一套固定的参数需要学习。 相反，如果给出更多数据，树模型可以变得越来越灵活。 换句话说，自由参数的数量随着样本量而增长并且不是固定的，例如在线性模型中。
+鍙︿竴涓ソ澶勬槸鍩轰簬鏍戠殑妯″瀷琚О涓衡�滈潪鍙傛暟鈥濓紝杩欐剰鍛崇潃浠栦滑娌℃湁涓�濂楀浐瀹氱殑鍙傛暟闇�瑕佸涔犮�� 鐩稿弽锛屽鏋滅粰鍑烘洿澶氭暟鎹紝鏍戞ā鍨嬪彲浠ュ彉寰楄秺鏉ヨ秺鐏垫椿銆� 鎹㈠彞璇濊锛岃嚜鐢卞弬鏁扮殑鏁伴噺闅忕潃鏍锋湰閲忚�屽闀垮苟涓斾笉鏄浐瀹氱殑锛屼緥濡傚湪绾挎�фā鍨嬩腑銆�
 
-## 决策树回归
+## 鍐崇瓥鏍戝洖褰�
 
-决策树是一种简单的二元分类树，类似于最近邻分类。 它可以这样使用：
+鍐崇瓥鏍戞槸涓�绉嶇畝鍗曠殑浜屽厓鍒嗙被鏍戯紝绫讳技浜庢渶杩戦偦鍒嗙被銆� 瀹冨彲浠ヨ繖鏍蜂娇鐢細
 
 ```py
 from figures import make_dataset
@@ -46,11 +46,11 @@ plt.plot(X.ravel(), y, 'C7.', label="training data")
 plt.legend(loc="best");
 ```
 
-单个决策树允许我们以非参数方式估计标签，但显然存在一些问题。 在某些地区，该模型表现出高偏差并且对数据欠拟合。 （请见不遵循数据轮廓的长扁形线条），而在其他区域，模型表现高方差并且过拟合数据（反映为受单点噪声影响的窄峰形）。
+鍗曚釜鍐崇瓥鏍戝厑璁告垜浠互闈炲弬鏁版柟寮忎及璁℃爣绛撅紝浣嗘樉鐒跺瓨鍦ㄤ竴浜涢棶棰樸�� 鍦ㄦ煇浜涘湴鍖猴紝璇ユā鍨嬭〃鐜板嚭楂樺亸宸苟涓斿鏁版嵁娆犳嫙鍚堛�� 锛堣瑙佷笉閬靛惊鏁版嵁杞粨鐨勯暱鎵佸舰绾挎潯锛夛紝鑰屽湪鍏朵粬鍖哄煙锛屾ā鍨嬭〃鐜伴珮鏂瑰樊骞朵笖杩囨嫙鍚堟暟鎹紙鍙嶆槧涓哄彈鍗曠偣鍣０褰卞搷鐨勭獎宄板舰锛夈��
 
-## 决策树分类
+## 鍐崇瓥鏍戝垎绫�
 
-决策树分类原理非常相似，通过将叶子中的多数类分配给叶子中的所有点：
+鍐崇瓥鏍戝垎绫诲師鐞嗛潪甯哥浉浼硷紝閫氳繃灏嗗彾瀛愪腑鐨勫鏁扮被鍒嗛厤缁欏彾瀛愪腑鐨勬墍鏈夌偣锛�
 
 ```py
 from sklearn.datasets import make_blobs
@@ -72,11 +72,11 @@ plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm2, s=60, alpha=.7, e
 plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm2, s=60, edgecolor='k');
 ```
 
-有许多参数可以控制树的复杂性，但最容易理解的是最大深度。这限制了树可以对输入空间进行划分的精确度，或者在决定样本所在的类之前,可以询问多少`if-else`问题。
+鏈夎澶氬弬鏁板彲浠ユ帶鍒舵爲鐨勫鏉傛�э紝浣嗘渶瀹规槗鐞嗚В鐨勬槸鏈�澶ф繁搴︺�傝繖闄愬埗浜嗘爲鍙互瀵硅緭鍏ョ┖闂磋繘琛屽垝鍒嗙殑绮剧‘搴︼紝鎴栬�呭湪鍐冲畾鏍锋湰鎵�鍦ㄧ殑绫讳箣鍓�,鍙互璇㈤棶澶氬皯`if-else`闂銆�
 
-此参数对于调整树和基于树的模型非常重要。下面的交互式图表显示了该模型的欠拟合和过拟合。 `max_depth`为 1 显然是一个欠拟合的模型，而 7 或 8 的深度明显过拟合。对于该数据集，树可以生长的最大深度是 8，此时每个叶仅包含来自单个类的样本。这被称为所有叶子都是“纯的”。
+姝ゅ弬鏁板浜庤皟鏁存爲鍜屽熀浜庢爲鐨勬ā鍨嬮潪甯搁噸瑕併�備笅闈㈢殑浜や簰寮忓浘琛ㄦ樉绀轰簡璇ユā鍨嬬殑娆犳嫙鍚堝拰杩囨嫙鍚堛�� `max_depth`涓� 1 鏄剧劧鏄竴涓瑺鎷熷悎鐨勬ā鍨嬶紝鑰� 7 鎴� 8 鐨勬繁搴︽槑鏄捐繃鎷熷悎銆傚浜庤鏁版嵁闆嗭紝鏍戝彲浠ョ敓闀跨殑鏈�澶ф繁搴︽槸 8锛屾鏃舵瘡涓彾浠呭寘鍚潵鑷崟涓被鐨勬牱鏈�傝繖琚О涓烘墍鏈夊彾瀛愰兘鏄�滅函鐨勨�濄��
 
-在下面的交互式图中，区域被指定为蓝色和红色，来表明该区域的预测类。颜色的阴影表示该类的预测概率（较暗为较高概率），而黄色区域表示任一类的预测概率相等。
+鍦ㄤ笅闈㈢殑浜や簰寮忓浘涓紝鍖哄煙琚寚瀹氫负钃濊壊鍜岀孩鑹诧紝鏉ヨ〃鏄庤鍖哄煙鐨勯娴嬬被銆傞鑹茬殑闃村奖琛ㄧず璇ョ被鐨勯娴嬫鐜囷紙杈冩殫涓鸿緝楂樻鐜囷級锛岃�岄粍鑹插尯鍩熻〃绀轰换涓�绫荤殑棰勬祴姒傜巼鐩哥瓑銆�
 
 ```py
 from figures import plot_tree
@@ -84,13 +84,13 @@ max_depth = 3
 plot_tree(max_depth=max_depth)
 ```
 
-决策树训练快，易于理解，并且经常产生可解释的模型。 但是，单个树通常倾向于过拟合训练数据。 使用上面的滑块，你可能会注意到，即使在类之间有良好的分隔之前，模型也会开始过拟合。
+鍐崇瓥鏍戣缁冨揩锛屾槗浜庣悊瑙ｏ紝骞朵笖缁忓父浜х敓鍙В閲婄殑妯″瀷銆� 浣嗘槸锛屽崟涓爲閫氬父鍊惧悜浜庤繃鎷熷悎璁粌鏁版嵁銆� 浣跨敤涓婇潰鐨勬粦鍧楋紝浣犲彲鑳戒細娉ㄦ剰鍒帮紝鍗充娇鍦ㄧ被涔嬮棿鏈夎壇濂界殑鍒嗛殧涔嬪墠锛屾ā鍨嬩篃浼氬紑濮嬭繃鎷熷悎銆�
 
-因此，在实践中，更常见的是组合多个树来产生更好泛化的模型。 组合树的最常用方法是随机森林和梯度提升树。
+鍥犳锛屽湪瀹炶返涓紝鏇村父瑙佺殑鏄粍鍚堝涓爲鏉ヤ骇鐢熸洿濂芥硾鍖栫殑妯″瀷銆� 缁勫悎鏍戠殑鏈�甯哥敤鏂规硶鏄殢鏈烘．鏋楀拰姊害鎻愬崌鏍戙��
 
-## 随机森林
+## 闅忔満妫灄
 
-随机森林只是许多树，建立在数据的不同随机子集（带放回抽样）上，并对于每个分裂，使用特征的不同随机子集（无放回抽样）。 这使得树彼此不同，并使它们过拟合不同的方面。 然后，他们的预测被平均，产生更平稳的估计，更少过拟合。
+闅忔満妫灄鍙槸璁稿鏍戯紝寤虹珛鍦ㄦ暟鎹殑涓嶅悓闅忔満瀛愰泦锛堝甫鏀惧洖鎶芥牱锛変笂锛屽苟瀵逛簬姣忎釜鍒嗚锛屼娇鐢ㄧ壒寰佺殑涓嶅悓闅忔満瀛愰泦锛堟棤鏀惧洖鎶芥牱锛夈�� 杩欎娇寰楁爲褰兼涓嶅悓锛屽苟浣垮畠浠繃鎷熷悎涓嶅悓鐨勬柟闈€�� 鐒跺悗锛屼粬浠殑棰勬祴琚钩鍧囷紝浜х敓鏇村钩绋崇殑浼拌锛屾洿灏戣繃鎷熷悎銆�
 
 ```py
 from figures import plot_forest
@@ -98,7 +98,7 @@ max_depth = 3
 plot_forest(max_depth=max_depth)
 ```
 
-## 通过交叉验证选择最优估计
+## 閫氳繃浜ゅ弶楠岃瘉閫夋嫨鏈�浼樹及璁�
 
 ```py
 from sklearn.model_selection import GridSearchCV
@@ -122,9 +122,9 @@ clf_grid.score(X_train, y_train)
 clf_grid.score(X_test, y_test)
 ```
 
-## 另一个选项：梯度提升
+## 鍙︿竴涓�夐」锛氭搴︽彁鍗�
 
-可能有用的另一种集合方法是提升：在这里，我们构建了一个由 200 个估计器组成的链，它迭代地改进了先前估计器的结果，而不是查看（比方说）200 个并行估计器。 我们的想法是，通过顺序应用非常快速，简单的模型，我们可以获得比任何单个部分更好的总模型误差。
+鍙兘鏈夌敤鐨勫彟涓�绉嶉泦鍚堟柟娉曟槸鎻愬崌锛氬湪杩欓噷锛屾垜浠瀯寤轰簡涓�涓敱 200 涓及璁″櫒缁勬垚鐨勯摼锛屽畠杩唬鍦版敼杩涗簡鍏堝墠浼拌鍣ㄧ殑缁撴灉锛岃�屼笉鏄煡鐪嬶紙姣旀柟璇达級200 涓苟琛屼及璁″櫒銆� 鎴戜滑鐨勬兂娉曟槸锛岄�氳繃椤哄簭搴旂敤闈炲父蹇�燂紝绠�鍗曠殑妯″瀷锛屾垜浠彲浠ヨ幏寰楁瘮浠讳綍鍗曚釜閮ㄥ垎鏇村ソ鐨勬�绘ā鍨嬭宸��
 
 ```py
 from sklearn.ensemble import GradientBoostingRegressor
@@ -135,9 +135,9 @@ print(clf.score(X_train, y_train))
 print(clf.score(X_test, y_test))
 ```
 
-> 练习：梯度提升的交叉验证
+> 缁冧範锛氭搴︽彁鍗囩殑浜ゅ弶楠岃瘉
 > 
-> 使用网格搜索在数字数据集上优化梯度提升树`learning_rate`和`max_depth`。
+> 浣跨敤缃戞牸鎼滅储鍦ㄦ暟瀛楁暟鎹泦涓婁紭鍖栨搴︽彁鍗囨爲`learning_rate`鍜宍max_depth`銆�
 
 ```py
 from sklearn.datasets import load_digits
@@ -151,9 +151,9 @@ X_digits, y_digits = digits.data, digits.target
 # %load solutions/18_gbc_grid.py
 ```
 
-## 特征的重要性
+## 鐗瑰緛鐨勯噸瑕佹��
 
-`RandomForest`和`GradientBoosting`对象在拟合之后都会提供`feature_importances_`属性。 此属性是这些模型最强大的功能之一。 它们基本上量化了在不同树的节点中，每个特征对表现的贡献程度。
+`RandomForest`鍜宍GradientBoosting`瀵硅薄鍦ㄦ嫙鍚堜箣鍚庨兘浼氭彁渚沗feature_importances_`灞炴�с�� 姝ゅ睘鎬ф槸杩欎簺妯″瀷鏈�寮哄ぇ鐨勫姛鑳戒箣涓�銆� 瀹冧滑鍩烘湰涓婇噺鍖栦簡鍦ㄤ笉鍚屾爲鐨勮妭鐐逛腑锛屾瘡涓壒寰佸琛ㄧ幇鐨勮础鐚▼搴︺��
 
 ```py
 X, y = X_digits[y_digits < 2], y_digits[y_digits < 2]