澳大利亞樹怎麼畫

『壹』 請問這種叫什麼樹它生長在澳大利亞南部

這是桉樹，在南澳叫莽樹。

http://image..com/i?tn=image&ct=201326592&lm=-1&cl=2&word=%E8%F1%CA%F7
http://ke..com/view/4888.htm
英文名：
Eucalyptus spp(Eucalyptus robusta Smith)
別 名：
白柴油樹（潮汕）、莽樹（南澳）、有加利、大葉桉樹（普寧）、大葉桉、油加利、加里樹、大葉桉樹（惠陽）。 桉樹圖片(1)
科 ：桃金娘科莽樹
希望對你有幫助！

『貳』 什麼是樹皮畫

「白樺林DIY樹皮畫」：是手工製作類產品，產品內配備剪刀、膠水、樺樹皮原材料、畫框等全套做畫工具及做畫材料，該產品不是樹皮畫成品，而是為消費者提供一個自己動手製作樹皮畫的產品。類似十字綉，消費者購買後在閑暇時間創作，既享受做畫過程，更可欣賞自己親手創作樹皮畫的特殊意義。消費者可以按照產品圖例製作樹皮畫，也可以按照自己的設計製作樹皮畫。「白樺林」是「樹皮畫」的始祖品牌。

『叄』 澳大利亞土著人是如何繪畫的

澳大利亞土著人把圖案繪在岩石、樹皮、聖品和地面上。他們也在自己的身上繪畫。傳統圖案由線條，圓點，圓圈和漩狀組成，對於不同的部落有不同的含義。這些圖案中通常蘊涵著故事，或者代表了某些自然現象和自然力量，或是代表著創造世界的神靈。

岩石藝術也有不同的形式，一些藝術家把岩石擊碎或者揭去岩石表層，讓岩石下面的顏色露出來。也有人把白色的黏土，紅色或黃色的赭石，以及木炭和水混合在一起作畫。

『肆』 規則、決策樹和森林

        如果森林中的一棵樹倒下了，但是沒有人聽見，那麼它是否 發出了聲音？

        規則是一種 將知識模塊用讓人易於理解的方式結合起來 的方法。如果「客戶很富有」，那麼「他將會購買我的產品」。如果「體溫超過 37 攝氏度」，那麼「這個人生病了」。決策規則普遍應用於醫療、銀行和保險領域，以及與客戶打交道的特定流程中。

        在一條規則中，人們區分 前件或前提 （一系列測試）和 後件或結論 。結論是對應輸入並使得前提成立的輸出類別；如果類別不能 100% 確定，就給出這些類別的概率分布。通常，這些前提都是用「且」連接起來的，也就是說，如果我們要「發射」這條規則，即得到結論，那麼所有測試都必須通過。如果「距離小於 2 英里」且「晴天」，那麼「步行」。一條測試可以針對類型變數的值（「晴天」），或者數值變數簡單運算的結果（「距離小於 2 英里」）。如果想要讓人理解，計算就必須簡單。一個實用的改進是將前提為假時的分類也加入到同一個語句中。如果「距離小於 3 公里」且「沒有私家車」，那麼「步行」，否則「坐公交車」。

        提取知識模塊形成一個簡單規則的集合是誘人的。但是 手動設計和維護規則是昂貴 且困難的。當規則集變大時，復雜性就會顯現，就像圖 1 中的規則會導致不同的甚至矛盾的分類。在這些情況下，分類可能與不同規則在數據上進行測試的排列順序有關。從數據中 自動提取不矛盾的規則的方法是 很寶貴的。

        相比處理帶很多測試的非常長的前提，將規則分解成一串簡單的問題更有價值。在貪心法中，那些信息量最大的問題最好放在這一序列的前面，這樣可以 給問題加上層次結構 ，從信息量最大的問題到信息量最小的問題。如上這些動機很自然的讓我們考慮到 決策樹 ，它是決策規則的有組織的分層排列，並且沒有矛盾（見圖2）。

        決策樹，以及同一棵樹中達到分類的一種情況（圖3）。抵達拆分節點的數據點根據測試函數的結果被發送到其左子節點或右子節點。

        決策樹在機器學習（ ML ）誕生之初就非常普及了。現在，確實只有小而淺的樹能夠被人們「理解」，但是近年來由於計算和存儲能力的極大提升，決策樹的普及度越來越廣了。很多樹（在某些情況下可達到上百棵）可以組合使用，稱為 決策森林 ，來得到具有健壯性的分類器。當考慮森林時，關心人們是否能理解這一問題被移至幕後，務實地尋找沒有過度訓練風險的、具有健壯性的高性能表現成為台前的主角。

        決策樹是以層次的方式組織起來的一個問題集，並且用一棵樹的圖形來表示。由於歷史的原因，機器學習中的樹，如同所有在計算機科學領域中的樹那樣，常常把根畫在上方 —— 如果你在北半球，那就想像澳大利亞的那些樹。對於一件給定的事物，決策樹通過連續地提出關於其已知屬性的問題來估計它的一個未知屬性。下一個問題問什麼取決於前一個問題的答案，如果用圖形來表示，這一事物對應於這棵樹中的一條路徑，如圖 3 的粗線條所顯示的。決策則根據這條路徑的終端節點來做出。終端節點稱作葉子。決策樹可以被看作將復雜問題分解為簡單問題集的一種方法，分解過程在這個問題已足夠簡單，即已到達葉子節點並找到已有的答案時結束。

        一個從已標記的實例來構造決策樹的基本方法是按照貪心法來進行的：在層次結構中，信息量越大的問題就越靠前。考慮一下初始的被標記的實例集。一個有兩個可能輸出（「是」或「否」）的問題將這一實例集分為兩個子集，其中一個子集包括答案為「是」的實例，另一個子集包括答案為「否」的實例。初始的實例集是混亂的，包含不同類的實例。當問完一串問題，從根到了葉子時，葉子中餘下的集合就應該幾乎是「純」的了，也就是只包含同一類的實例。這一類別也就是所有到達這片葉子的實例所對應的輸出。

        我們需要從初始的混亂的集合過渡到最終一系列（幾乎）純的集合。一個瞄準這一目標的 貪心 法就是從「信息量最大的」問題開始。這會把初始的集合劃分為兩個子集，分別對應答案「是」或「否」，也是初始根節點的子節點（見圖 4）。貪心法將以盡可能接近最終目標這一原則邁出第一步。在貪心法中，第一個問題的設計要使得這兩個子集盡可能純凈。第一次劃分完成之後，以 遞歸 的方式（見圖 5），繼續對左右兩個子集使用同樣的方法，設計合適的問題，如此重復，直到剩下的集合足夠純凈，遞歸停止。完全的決策樹是由一個從上到下的過程導出的，這一過程通過在創造的子集中實例的相對比例來引導。

        決策樹的兩個最主要的組成部分，一是純度的定量度量，二是每個節點問的問題的類型。我們都同意純度最大值是在子集中只有一個類別的實例時取到，而不同的度量負責測量那些不只一個類別的情況。其他的組成部分與終止條件有關：記住我們的目標是泛化，因此我們不希望構造一棵非常大的樹，而每片葉子只有一兩個實例。某些情況下，我們允許在子集尚未達到十分純凈時停止訓練，並且當一些實例到達某個給定的葉子節點時，輸出一個概率值。

在下面的描述中，假設所有涉及的變數都是 類別變數 （即名稱，像上面例子中的「歐洲人」）。還有兩種廣泛使用的子集純度度量，一是 信息增益 ，二是 基尼混度 。注意我們處理的是 有監督 分類，因此我們知道這些訓練實例的正確輸出分類（有目標的）。

信息增益 設想我們從一個內部節點或葉子節點對應的集合中進行抽樣。我們得到 y 類實例的概率 Pr(y) 正比於集合中該類實例所佔的比例。所得類的統計不確定性由標記概率分布的香農 熵 來度量：

                                                

        在資訊理論中，熵量化了確定某件事件發生所需的平均信息（見圖6 ）。如果對數的底為 2 ，信息（也就是熵）的單位是二進制位（ bit ）。當所有 n 個類別的實例均分了一個集合時，熵就達到最大值， H(Y ) = logn ；而當所有實例都屬於同一類別時（這種情況下，不需要任何信息，我們已經知道我們會得到什麼類別了），熵就達到最小值， H(Y ) = 0 。

        在信息增益方法中， 一個集合的混度由類別概率分布的熵來度量 。

        知道一個問題的答案將會降低熵，或者熵保持不變，僅當答案不取決於類別時。令 S 表示目前的實例集，並且讓 表示問過一個關於某屬性問題之後的劃分。理想的問題不會留下難以決策的情況： 中所有實例是一類，而 中所有實例是另一類，因此這兩個生成的子集熵為零。

        在知道了答案後，熵的平均減少量被稱為「信息增益」，它也是答案與類別變數之間的互信息（ MI ）。信息增益（互信息）可表述如下：

                        

        計算熵所需的概率可以用樣本子集內各類別的相應頻率來逼近。信息增益是由 Quinlan 率先在 ID3 、 C4.5 和 C5.0 方法中使用的。值得注意的是，由於我們感興趣的是泛化，信息增益對此是有用的，但並不完美。假設我們為描述某項業務客戶的數據構造一棵決策樹，每個節點可以有多於兩個子節點。一個輸入屬性可能是客戶的信用卡號碼。因為這一屬性唯一地標識每個客戶，所以它與任何分類都有很高的互信息，然而我們不希望將其包含在決策樹中：根據客戶的信用卡號碼來對客戶作出相應決策，這一做法不太可能推廣到之前沒有見過的客戶（這就是 過擬合 ）。

        基尼混度 試想一下，我們從一個集合中隨機抽取一個元素，並隨機貼上標簽，概率正比於不同類別在這個集合中所佔的比例。盡管這種方法看起來很原始，如果集合是純的，這種簡單直接的方法的誤差為零；如果某個類別在集合中占據了主要部分，這種方法的錯誤率也是很小的。

        一般情況下，基尼混度（ GI ）測量從集合中隨機選擇的元素會被錯誤地標記的頻率，標記是按照集合中標記的分布隨機進行的。它可以用錯誤率的期望來計算：對於每個類別，將該類別中某個元素被誤分為其他類的概率（即將其分配給任何不正確類別的概率： ）相加，再乘以該元素屬於該類別的概率 ( ) ，然後將這些乘積加起來。假設有 m 個類，並且令 表示集合中標記為 i 的元素比例。然後，通過頻率來估計概率（  ≈  ）：

    

        當節點中所有實例都屬於單一目標類別時， GI 為最小值（零）。 GI 被用在 Breiman 提出的CART 演算法（分類回歸樹）中。

        當考慮每個節點所問的問題類型時，實際上只需要考慮那些 有二元輸出的問題 就足夠了。對於類別變數，這個測試可以基於該變數的可能值的某個子集（例如，若某天是「星期六或星期天」，則回答 YES ，否則 NO ）。對於實值變數，每個節點對應的測試可以基於單一變數（例如，距離小於 2 英里）或者變數的簡單組合，例如變數子集的一個線性函數與一個閾值進行比較（例如，客戶花在汽車和摩托車上的錢的平均值多於 2 萬美元）。上述概念可以被推廣到要預測的數值變數，發展為 回歸樹 。每片葉子要麼包含到達這里的所有實例的平均輸出值，要麼包含從這些實例推導出的一個簡單模型，比如線性擬合（後一種情況稱為 模型樹 ）。

        實際的數據中， 缺失值 就像冬天的雪花漫天飛舞。缺失值有兩種可能的意義。在某些情況下，一個值如果缺失了，它會提供一些有用的信息（例如，在市場營銷中，如果一個客戶沒有回答某個問題，我們可以假設他對此不是很感興趣），缺失值可以被當作一個類型變數的另一個可能值。其他情況下，一個值的缺失並不提供任何明顯的信息（例如，一個粗心的業務員忘了記錄某個客戶的數據）。決策樹為處理第二種情況提供了一種自然的方法。如果一個實例到達了一個節點，但是由於數據缺失而無法回答該節點對應的問題，人們可以理想化地「將這個實例分成小塊」，並且根據所包含訓練實例數的比例，將這些小塊送往各個分支。如圖 7 所示，如果 30% 的訓練實例往左走，那麼一個有缺失值的實例在這個決策節點就被分為兩部分，比重 0.3 的那一部分往左走，而比重 0.7 的那一部分往右走。當這個實例不同的小塊最終都到達葉子節點時，我們計算對應葉子節點輸出值的加權平均，或者計算出一個分布。加權平均中的權重與到達葉子部分的比重成正比。在這個例子中，輸出值是 0.3 乘以左邊的輸出加上 0.7 乘以右邊的輸出。不用說，以左、右子樹作為參數的同一程序的遞歸調用，是獲得非常緊湊的軟體實現的一個方法。

        最後提醒一下，不要將構建中的決策樹（使用已標記實例、純度度量，以及選擇合適的問題）和使用已構建好的決策樹相混淆。當使用決策樹時，通過一系列決策，輸入樣本會迅速從樹的根節點分配到葉子節點。

        在 20 世紀 90 年代，研究人員發現了如何用民主的方式將學習機集成起來（例如，比隨機猜測性能略好的通用「弱」分類器），以得到更好的准確性和泛化性能。這可以類比於人類社會：很多情況下，設立專家團體是做出更優質決策的一個方法，專家或者達成共識，或者提出不同的方案並表決（在其他情況下，這也是推遲決策的方法，畢竟所有類比都有它的缺點）。「群眾的智慧」是近來用以強調民主決策積極作用的一個術語。在機器學習中，輸出常常由多數決定（對於分類）或由平均決定（對於回歸）。

        在處理高維數據時，民主式集成這一點似乎尤其正確，因為在現實的應用中，高維數據里可能有很多不相關的屬性。這一話題並不像它看起來那樣抽象：從光學字元識別中用到的神經網路到游戲機輸入設備中樹的集成 ，已經出現了很多相關的應用 。

        為了讓專家團體來做出高明的決策，這些專家需要有不同的思維方式（即不受群體思維的影響，以同樣方式思考的專家是沒有用的）並且具有較高的素質。獲得不同的樹的方式有多種，例如，用不同的實例集來訓練它們，或者以不同的隨機選擇來訓練它們（用人來打比方，想想學生會選擇同一科目的不同課程）。

• 可以用 自助法 從初始集合中產生 不同的訓練實例集 ：給定一個大小為 的標准訓練集 D ，自助法通過從 D 中均勻帶放回（有些實例可以重復）的抽樣產生新的訓練集。抽樣之後，每個訓練集中大概有 1 − 1/e ≈ 63.2% 的實例是互不相同的，其他的都是重復的。想想隨機投球入筐：對於較大的  ，大概只有63.2% 的筐里有一個或以上的球。筐中的每個球對應一個實例。在每個自助法的訓練集中，大概有三分之一的實例被排除了。將自助法用於創造不同樣本集的方法稱為 裝袋法 （ bagging ，「自助匯合」）：用不同的隨機自助樣本來構造不同的樹，輸出是不同樹的輸出的平均（對於回歸問題）或著表決（對於分類問題）。

• 在選擇一個節點的最優問題時，可以通過限制選擇，在訓練時進行 不同的隨機選擇 。作為上述劃分方法的一個例子，這里來看看它們是如何在 隨機決策森林 中實現的。

• 每棵樹用原始數據集的一個自助抽樣（即允許重復）來進行訓練；

• 每當一個葉子節點必須被分裂的時候，只考慮屬性隨機選擇的一個子集。在極端情況下，只考慮一個隨機屬性（一維）。

        更准確地說，令 d 為輸入變數的總數，每棵樹是這樣構造的：選擇 d' 個輸入變數用以確定一個節點上的決策，d' 是個較小的數，通常比 d 要小得多（在極端情況下就是 1 ）。一個自助抽樣（「包」）引導一棵樹的構造，而那些不在包里的實例可以用來估計樹的誤差。對於樹上的每個節點， d' 個屬性是隨機選擇的，它們是在這個節點上做出決策的基礎。我們計算基於這 d' 個變數的最優分割（「最優」要根據所選的純度標准而定， IG 或者 GI ）。每次選擇一個類型變數來對一個節點進行分割，可以隨機選擇這些類型的子集，並定義一個替換變數，當類型值在這個子集中就為 1 ，否則為 0 。每棵樹都完全成長而不修剪（就像構造一棵普通的分類樹那樣。

        通過上述步驟，我們實際上已經組建了一個團體（「森林」），其中的每一個專家（「樹」）都已經接受了不同的訓練，因為他們已經看到了一組不同的實例（包），也因為他們用不同的觀點看待問題（每一個節點使用不同的隨機選擇的標准）。然而沒有哪位專家可以完全保證勝任工作：每個專家關注變數的順序遠遠沒有達到貪心的標准，因此信息量最大的問題並沒有最受關注，如此一來，單獨的一棵樹是非常弱的；然而，大多數專家都比隨機分類器要好，因此多數占優原則（或者加權平均）將會提供合理的答案。

        使用自助法時的泛化估計可以在訓練過程中以一種自然的方式得到：記錄包外的誤差（不在包中的實例上的誤差），並在整片決策森林上求平均。

        不同變數（ 特徵或屬性排序 ）的相關性也可以在決策森林中用一種簡單方式來估計。主體思路是：如果一個類別特徵是重要的，那麼隨機地置換其值應該會導致其性能顯著降低。用決策森林擬合數據之後，為了推導第 i 個特徵的重要性，將第 i 個特徵的值進行隨機置換，並重新計算這個擾亂的數據集上的包外誤差。求得擾亂前後的包外誤差之差，並在所有樹上求平均值。誤判率增加的百分比與所有變數不變時包外誤差率的比值就是該特徵所得的分數。誤判率增加較多的特徵比誤判率增加較少的特徵更重要。

        可以使用大量樹（數以千計並不罕見）這一事實意味著，對於需要進行分類或預測的每個實例，會有非常多的可用的輸出值。通過收集和分析如此多樹的輸出的分布，可以得出回歸的置信界或者分類的概率。例如，如果有 300 棵樹預測「晴天」，剩下的 700 棵樹預測「下雨」，那麼可以說估計「下雨」的概率是 70% 。

        簡單的「如果 – 那麼」規則提煉出在某種程度上可以被人們理解的信息金塊。避免可能的規則矛盾所帶來的混亂，有一個簡單方法是以層次結構來處理問題（首先是信息量最大的），由此引出帶組織結構的簡單的連續問題，稱為 決策樹 。

        樹可以用貪心和遞歸的方式習得：從一整套的實例集開始，選擇一個測試，將它分為兩個盡可能純的子集，再重復產生子集。當子集的純度足以在樹葉上得到分類輸出值時，遞歸過程終止。

        充足的內存和強大的計算能力允許我們訓練大量不同的樹。通過收集所有輸出以及平均（對於回歸）或投票（對於分類），它們可以卓有成效地用作 決策森林 。決策森林有各種優點：像所有樹那樣，它們能自然地處理兩類以上的分類問題以及缺失的屬性；能提供基於概率的輸出，以及概率和誤差線；不會有過度訓練的風險，因此能很好地泛化到從未見過的數據；由於其並行性，以及每個數據點上減少的測試問題集，它快速而高效。

        雖然一棵樹的樹蔭很小，但即使是最火熱的機器學習應用，數以百計的樹也可以帶來清涼。

『伍』 什麼是樹皮畫

樹皮畫是人類的一項古老藝術，是澳大利亞原住民延續保留至今的一種藝術形式。
剝樹皮為畫布，取赭石為顏料。

位於堪培拉的澳大利亞國家博物館是目前全世界收藏樹皮畫數量最多、種類最全的博物館。

『陸』 聖誕樹畫法

聖誕樹的畫法:

1.先觀察聖誕樹。

聖誕樹一般是通過樅樹或洋松，加上一些裝飾而成的常青樹。

下面我們來畫。

2.首先，先畫上一個五角星作為頂上的裝飾。

3.接著，畫上往兩邊撇的曲線，可以多畫幾層，注意間隔

4.然後，用弧線將它們連接起來，形成聖誕樹的外形

5.再接著，下面再畫上一個方形作為木樁，以及在層與層之間畫上雙線的綵帶

6.再然後，用同樣的方法在旁邊再畫上幾條綵帶。

7.聖誕樹上 ，可以發揮自己的想像力在上面畫上自己喜歡的圖案裝飾

8.最後，塗上好看的顏色，聖誕樹就畫好了。

聖誕樹，又名魚骨松、澳洲白粉金合歡、銀荊，含羞草科合歡屬。聖誕樹為常綠喬木，樹干較直，樹皮灰綠或灰色。種子卵圓形，黑色，有光澤。本種羽葉雅緻，花序如金黃色的絨球，甚美麗，可栽培觀賞；也是荒山造林、綠化、保持水土的優良樹種。

聖誕樹原產澳大利亞東南部的維多利亞、新南威爾士和塔斯馬尼亞州。我國雲南、貴州、四川、廣西、浙江、台灣等地有栽培。

聖誕樹是強陽性樹種，樹冠具有趨光性，在幼齡期即需要充足光照，適於涼爽濕潤的亞熱帶氣候。聖誕樹對土壤要求不嚴，適生於土層較深厚、疏鬆、濕潤的酸性至微酸性壤土或沙壤土。

『柒』 澳大利亞特有的植物

一、澳洲茶樹

澳洲茶樹是桃金娘科白千層屬植物，常綠小喬木，主要分布在澳大利亞東部的昆士蘭州和新南威爾士州，位於南緯21°-23°，東經145°-153°，是澳大利亞的芳香油樹種。

二、袋鼠爪花

袋鼠爪花，又名袋鼠花，血皮草科袋鼠爪花屬多年生草本植物，是澳大利亞特產的珍貴花卉。枝葉叢生狀，葉披針狀條形，葉色灰綠。頂生總狀花序，唇形花冠，酷似袋鼠爪。

三、金蒲桃

金蒲桃是桃金娘科蒲桃屬植物，常綠喬木，株形挺拔，主幹明顯，6年生植株樹高可達5米。是澳洲特有的代表植物之一，也是澳洲特有的雨林特色風情樹種，為昆士蘭省凱恩斯市（Cairns）市樹。

四、昆士蘭瓶干樹

昆士蘭瓶干樹又稱澳洲佛肚樹、佛肚樹，為梧桐科瓶干樹屬下的一個植物種。高達數米的樹干中部膨大，這種原產於澳大利亞的樹種生長在沙漠地區。

五、澳洲草樹

澳大利亞的特產植物——草樹（grasstree）它是一種生長得十分緩慢的植物，植株要達到成熟需要上百年的時間，而且它只在澳大利亞才有分布。草樹的繁殖狀態。可以通過種子和走莖繁殖出新生植株。

『捌』 桉樹怎麼畫簡筆畫

桉樹的畫法如下：

步驟一：先畫幾朵雲。

步驟二：繼續畫雲朵。

步驟三：樹乾和樹枝。

步驟四：最後塗顏色就好了。

桉樹原產澳大利亞、巴布亞紐幾內亞、印度尼西亞、菲律賓等國。 桉樹天然分布於澳大利亞大陸及華萊士線以東的大洋洲大陸附近的太平洋島嶼，但絕大部分分布在澳大利亞大陸，只有剝桉分布在巴布亞紐幾內亞和菲律賓棉蘭老島等島嶼。 桉樹具有適應性廣、容易種植、萌芽力強等特點，它的生長環境很廣，從熱帶到溫帶，從濱海到內地，從平原到高山。