- 博客(5)
- 收藏
- 关注
RSS订阅原创 基于贷款审批数据的 ID3 决策树实现与剪枝优化
本文基于ID3决策树算法实现贷款审批预测模型，通过人工整理的16条训练数据和7条测试数据，完整演示了从数据预处理、决策树构建到剪枝优化的全过程。实验结果表明：未剪枝模型准确率85.7%，预剪枝和后剪枝模型分别通过限制深度和裁剪冗余分支，在保持或提升准确率的同时显著简化模型结构。其中后剪枝模型准确率达100%，验证了剪枝对提升泛化能力的效果。项目代码模块化程度高，可直接应用于其他分类场景，并为金融风控领域的算法落地提供实践参考。
2025-11-27 18:56:05
816
原创 基于贷款审批数据的决策树构建与应用实践
• 特征属性：年龄段（0 = 青年、1 = 中年、2 = 老年）、有工作（0 = 否、1 = 是）、有自己的房子（0 = 否、1 = 是）、信贷情况（0 = 一般、1 = 好、2 = 非常好）以训练集为例，目标属性 “是否贷款” 中，“是”（1）的样本数为 10，“否”（0）的样本数为 6，总样本数 16。（二）计算各特征的信息增益 信息增益表示选择某一特征划分数据集后，信息熵的减少量，信息增益越大，说明该特征的分类效果越好。（一）计算数据集的信息熵 信息熵用于衡量数据集的纯度，熵值越小，数据集纯度越高。
2025-11-13 18:24:22
608
原创 一文读懂决策树：原理、实战与应用场景
决策树是一种直观且强大的机器学习算法，适用于分类和回归任务。其核心优势在于可解释性，通过树形结构清晰呈现决策逻辑。文章系统讲解了决策树的核心概念（根节点、内部节点、叶节点）、三种节点分裂准则（信息增益、信息增益比、基尼系数）以及剪枝技术（预剪枝和后剪枝）。通过Python实战演示了鸢尾花分类案例，并分析了决策树的优缺点及适用场景。最后指出可通过集成学习（随机森林、XGBoost）进一步提升性能，为读者提供了从入门到应用的完整知识路径。
2025-11-13 15:32:34
666
原创 KNN算法实战：从原理到ROC/PR曲线评估
本文以海伦约会推荐为场景，介绍了K近邻算法的原理、实现及评估方法。KNN通过特征归一化和K值选择完成分类任务，重点分析了ROC曲线（AUC指标）和PR曲线（AP指标）在不同数据分布下的评估效果。文中提供了完整的Python代码实现，包括数据预处理、模型训练和性能评估，展示了KNN在约会数据集上90.33%的准确率，并通过AUC 0.94和AP 0.89验证了模型的推荐能力。文章还对比了ROC和PR曲线的适用场景，指出样本不均衡时应优先参考PR曲线，为分类任务提供了实用指导。
2025-10-30 18:16:35
587
原创 手把手教你安装Anaconda
Anaconda是一个开源的Python发行版，专为科学计算设计，内置conda包管理工具，预装1500多个科学计算包。本文详细介绍了Anaconda的下载和安装方法：包括访问官网或清华镜像站获取安装包，Windows/macOS/Linux三大系统的具体安装步骤，以及安装后的验证方法。还提供了配置国内镜像源、常用conda命令、常见问题解决等实用技巧。通过Anaconda可以轻松管理Python环境和依赖包，特别适合数据科学和机器学习领域的开发工作。
2025-10-16 20:25:29
840
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人