对三轴立式加工中心进行热误差建模并且使用决策树算法，具体应该使用哪种决策树算法，该怎么做
对三轴立式加工中心进行热误差建模需要先收集相关数据，如加工中心实际温度、测量误差、工作状态等，然后对这些数据进行处理和分析，得到热误差的模型。决策树算法可以用于热误差模型的构建和预测。
针对选择哪种决策树算法这个问题，可以考虑C4.5算法和ID3算法。C4.5算法是ID3算法的改进版，主要的改进是可以处理连续性的属性。如果数据集中包含有连续的属性，可以考虑使用C4.5算法。
具体实现方法如下：
收集三轴立式加工中心的相关数据，并进行预处理和特征提取。
将数据集分为训练集和测试集，用训练集训练决策树模型。
选用C4.5算法（或ID3算法），根据数据集的特征和目标变量建立决策树模型。
对测试集进行测试，评估模型的准确性和误差。
如果模型的准确性不够，可以尝试调整算法参数或者增加数据特征，重新训练模型。
需要注意的是，在建立模型和进行预测时，还需要考虑一些其他因素，如测量误差、环境温度等。可以通过加入这些因素作为特征来提高模型的准确性。
不知道你这个问题是否已经解决, 如果还没有解决的话:逻辑回归是基于伯努利分布假设的概率模型，通过极大似然估计的假设，输出y=1的概率。逻辑回归也可以看做一个单层神经网络添加sigmoid函数进行分类。
逻辑回归严格来说属于广义线性模型，是非线性模型，但是在没有其他条件下只能对线性可分的数据进行分类。通过对数据进行升维（非线性映射），之后线性可分，可以使逻辑回归进行非线性分类。
逻辑回归是解决工业规模问题最流行的算法。但在工业界很少将连续值作为逻辑回归的模型的特征输入，而是将连续特征离散化为一系列0,1特征交给逻辑回归模型，这样做的优势有：
1、易于模型快速迭代
2、稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展
3、离散后的特征对异常数据有很强鲁棒性：比如大于30岁是1,300岁还是1
4、简化逻辑回归模型的作用，降低过拟合的风险
优点：
缺点：