理论
一:机器学习中分类和预测算法的评估
1.准确率
2.速度
3.强壮性
4.可规模性
5.可解释性
二:什么是决策树/判定树(decision tree)
判定树是一个类似于流程图的树结构,其中,每个内部节点标识在一个属性上的测试,每个分支代表
一个属性输出,而每个树节点代表类或类分布,树的最顶层是根节点
2.机器学习中分类方法中的一个重要算法:
构造决策树的基本算法
这篇博客探讨了机器学习中的决策树算法,重点介绍了评估分类和预测算法的标准,如准确率、速度和可解释性。文章详细阐述了决策树的概念,包括熵和信息增益,以及ID3、C4.5和CART等算法的区别。同时,讨论了如何处理连续型变量以及决策树的剪枝方法,以防止过拟合。尽管决策树有其优点,如直观和易于理解,但在处理连续变量和多类别问题时可能存在局限性。
理论
一:机器学习中分类和预测算法的评估
1.准确率
2.速度
3.强壮性
4.可规模性
5.可解释性
二:什么是决策树/判定树(decision tree)
判定树是一个类似于流程图的树结构,其中,每个内部节点标识在一个属性上的测试,每个分支代表
一个属性输出,而每个树节点代表类或类分布,树的最顶层是根节点
2.机器学习中分类方法中的一个重要算法:
构造决策树的基本算法

被折叠的 条评论
为什么被折叠?