机器学习-决策树

优快云 博客分上下篇技巧
最新推荐文章于 2025-04-21 17:49:33 发布
原创 最新推荐文章于 2025-04-21 17:49:33 发布 · 229 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #python

上：https://blog.youkuaiyun.com/HerosOfEarth/article/details/52347820
下：https://blog.youkuaiyun.com/HerosOfEarth/article/details/52425952

Python从0到100（五十三）：机器学习-决策树及决策树分类器
全网粉丝10w+，优快云、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.youkuaiyun.com/topics/614347534
08-21 6万+
决策树是⼀种常⽤的监督学习算法，⽤于解决分类和回归问题。它的基本原理是根据数据的特征来构建⼀颗树状结构，决策树的⽬标是通过分裂特征，将数据集划分为纯度更⾼的⼦集，以最⼩化误差或不纯度。
机器学习--决策树
jimei2011的博客
11-14 1536
机器学习-决策树
机器学习 - 决策树
weixin_47552266的博客
05-12 1958
决策树是一种监督学习算法，主要用于分类和回归任务。它通过学习从数据特征到输出标签的映射规则，构建一个树形结构。在分类问题中，决策树的每个叶节点代表一个类别。剪枝是决策树学习算法中的一种技术，用于减少树的大小，从而控制模型的复杂度和过拟合现象。剪枝可以分为两种主要类型：预剪枝（Pre-pruning）和后剪枝（Post-pruning）。集成学习是一种强大的机器学习范式，它通过结合多个模型来提高预测性能，通常能够比任何一个单独的模型表现得更好。在决策树的上下文中，常见的集成方法包括随机森林和梯度提升树。
【机器学习】--- 决策树与随机森林
2301_80863610的博客
09-22 3745
决策树和随机森林作为经典的机器学习算法，已经在众多领域得到了广泛应用。然而，它们的性能在面对复杂的数据时可能会出现瓶颈。通过剪枝、树深度控制、优化特征选择等方法，我们可以提高决策树的泛化能力。同时，通过特征重要性改进、极端随机树的引入和并行化处理，可以在提升随机森林性能的同时减少计算资源的消耗。
机器学习算法——决策树
最新发布
2401_87863416的博客
04-21 5146
决策树（Decision Tree）是一种以树形结果展示决策规则和分类结果的模型。作为一种归纳算法模型，它可以从看似无序、杂乱的数据中提取出数据分类的规律，并用其进行新数据分类或预测。决策树可被用于解决分类和回归问题。例如：通过一个西瓜的多种特征，如其纹理、色泽、触感，等判断其是否是好瓜；或通过一天的天气情况，如是否晴天、风力大小、空气湿度等，判断这一天是否适合进行户外运动等。
头歌——人工智能（机器学习 --- 决策树2）
m0_73879806的博客
10-25 3144
后剪枝的思路很直接，对于决策树中的每一个非叶子结点的子树，我们尝试着把它替换成一个叶子结点，该叶子结点的类别我们用子树所覆盖训练样本中存在最多的那个类来代替，这样就产生了一个简化决策树，然后比较这两个决策树在测试数据集中的表现，如果简化决策树在验证数据集中的准确率有所提高，那么该子树就可以替换成叶子结点。决策树容易过拟合的原因是在构建决策树的过程时会过多地考虑如何提高对训练集中的数据的分类准确率，从而会构建出非常复杂的决策树（树的宽度和深度都比较大）。但在划分后，模型在验证数据集上的正确率降为0.67。
机器学习-决策树算法
LI_dreamit的博客
09-12 3178
概念： 是一种树形结构，本质是一颗由多个判断节点组成的树 其中每个内部节点表示一个属性上的判断， 每个分支代表一个判断结果的输出， 最后每个叶节点代表一种分类结果。 通过分析可知： 决策树是非参数学习算法 决策树可以解决分类问题 决策树天然可以解决多分类问题 决策树可以解决回归问题：落在叶子节点(对应图中的A、B、C三点)的数据的平均值作为回归的结果 决策树可以应用于信用卡评级的案例中,生成相应的分类规则。 1、熵 定义 熵在信息论中代表随机变量不确定度的度量。 熵越大，数据
头歌机器学习---决策树
热门推荐
liiuyizeliuyize的博客
05-07 2万+
头歌机器学习---决策树
机器学习——决策树
m0_55818687的博客
10-02 2194
机器学习——决策树
精选资源
人工智能-机器学习-决策树-决策树分类（ID3，C4.5，CART）
07-09
决策树分类（ID3，C4.5，CART） 三种算法的区别如下： (1) ID3算法以信息增益为准则来进行选择划分属性，选择信息增益最大的； (2) C4.5算法先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率...
机器学习-决策树-实现源码
11-02
带着读者通过Python语言手写简化版实现决策树绘制。 适合人群：零基础或者具备一定编程基础，对机器学习有一定的了解。...可以学到机器学习决策树的原理，如何利用cart决策树实现决策树绘制，完成分类效果。
精选资源
机器学习-决策树 -ppt.pdf
07-03
机器学习-决策树 -ppt.pdf机器学习-决策树 -ppt.pdf机器学习-决策树 -ppt.pdf机器学习-决策树 -ppt.pdf机器学习-决策树 -ppt.pdf机器学习-决策树 -ppt.pdf机器学习-决策树 -ppt.pdf机器学习-决策树 -ppt.pdf机器学习...
精选资源
机器学习-决策树（以西瓜数据集为例）
03-30
决策树是一种广泛应用于机器学习领域的算法，它通过创建分层的决策模型来预测目标变量。在本案例中，我们将深入探讨如何使用决策树处理“西瓜数据集”。这个数据集是用于教学目的的理想选择，因为它包含了多个特征，...
机器学习-决策树-通过标注数据进行情景推荐
03-12
决策树是一种常用的机器学习方法，通过树状结构的决策规则对数据进行分类和回归分析。在进行情景推荐时，决策树算法可以通过标注数据来理解和预测用户的行为模式，从而实现个性化推荐。 标注数据是带有明确标签或...
机器学习-多元线性回归（multiple linear regression）
INFINALGEORGE的博客
06-03 5188
先甩几个典型的线性回归的模型，帮助大家捡起那些年被忘记的数学。 ● 单变量线性回归： h(x)=theta0 + theta1* x 1 ● 多变量线性回归： h(x)=theta0 + theta1* x 1 + theta2* x 2 + theta3* x 3 ● 多项式回归： h(x)=theta0 + theta1* x 1 + theta2* (x2^2) + theta3* (x3^3) 多项式回归始终还是线性回归，你可以令x2=x22，x3=x33，简单的数据处理一下就好了，这
机器学习-KNN（最近邻）详解
INFINALGEORGE的博客
06-04 2012
K-近邻算法原理 K最近邻(kNN，k-NearestNeighbor)分类算法，见名思意：找到最近的k个邻居（样本），在前k个样本中选择频率最高的类别作为预测类别，什么？怎么那么拗口，没图说个JB，下面举个例子，图解一下大家就会显而易见了，如下图： 我们的目的是要预测某个学生在数学课上的成绩。。。 先来说明几个基本概念：图中每个点代表一个样本（在这里是指一个学生），横纵坐标代表了特征（到课率，作业质量），不同的形状代表了类别（即：红色代表A（优秀），绿色代表D（不及格））。我们现在看（10，20）这个.
机器学习-K-Means算法
INFINALGEORGE的博客
06-04 1074
简介 又叫K-均值算法，是非监督学习中的聚类算法。 基本思想 k-means算法比较简单。在k-means算法中，用cluster来表示簇；容易证明k-means算法收敛等同于所有质心不再发生变化。基本的k-means算法流程如下： 选取k个初始质心（作为初始cluster，每个初始cluster只包含一个点）； repeat： 对每个样本点，计算得到距其最近的质心，将其类别标为该质心所对应的cluster； 重新计算k个cluster对应的质心（质心是clust
机器学习-逻辑回归(Logistic Regression)
INFINALGEORGE的博客
06-03 841
一. 逻辑回归 在前面讲述的回归模型中，处理的因变量都是数值型区间变量，建立的模型描述是因变量的期望与自变量之间的线性关系。比如常见的线性回归模型： 而在采用回归模型分析实际问题中，所研究的变量往往不全是区间变量而是顺序变量或属性变量，比如二项分布问题。通过分析年龄、性别、体质指数、平均血压、疾病指数等指标，判断一个人是否换糖尿病，Y=0表示未患病，Y=1表示患病，这里的响应变量是一个两点（0-1）分布变量，它就不能用h函数连续的值来预测因变量Y（只能取0或1）。 总之，线性回归模型通常是处理因变量是连续
机器学习 --- 决策树
10-11
决策树是一种用于分类和回归任务的机器学习算法。它是一个树形结构，其中每个内部节点表示一个特征，每个分支代表该特征的一个可能取值，而每个叶子节点代表一个类别或预测结果。 决策树的构建过程基于分割数据集的特征，目标是通过在每个节点选择最佳的特征来最大程度地减少不确定性或纯度。常用的衡量指标有信息增益、基尼系数和错误率。 在预测时，我们从根节点开始，根据待分类样本的特征值依次选择分支，直到到达叶子节点并得到最终的预测结果。 决策树算法具有可解释性强、易理解、可视化等优点。然而，它也存在一些缺点，比如容易过拟合、对噪声敏感等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值