<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[doreen_701的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/doreen_701</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; doreen_701]]></copyright><item><title><![CDATA[KD树]]></title><link>https://blog.youkuaiyun.com/doreen_701/article/details/53818573</link><guid>https://blog.youkuaiyun.com/doreen_701/article/details/53818573</guid><author>doreen_701</author><pubDate>Thu, 22 Dec 2016 18:48:37 +0800</pubDate><description><![CDATA[实现k近邻法时，主要考虑的问题是如何对训练数据进行快速k近邻搜索，这点在特征空间的维数大以及训练数据容量大时尤其重要。为了提高k近邻搜索的效率，可以考虑使用特殊的结构存储训练数据，以减少计算距离的次数。kd树方法就是其中一种方法。]]></description><category></category></item><item><title><![CDATA[决策树--ID3算法]]></title><link>https://blog.youkuaiyun.com/doreen_701/article/details/53338490</link><guid>https://blog.youkuaiyun.com/doreen_701/article/details/53338490</guid><author>doreen_701</author><pubDate>Fri, 25 Nov 2016 18:26:40 +0800</pubDate><description><![CDATA[一、决策树基本概念
      在机器学习中，决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系。本质上决策树是通过一系列规则对数据进行分类的过程。
       


二、决策树的本质
      给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。]]></description><category></category></item></channel></rss>