希希的博客

监督，非监督，强化学习的区别

Measures of describing center众数（mode）：出现在x轴上有一个，多个或零个It can be described any type of data, whether it’s numerical or categorical.Not all the score in dataset can affect mode.Mode cannot describe the w...

1. 简述决策树原理？ 决策树是一种拥有树形结构的监督学习分类算法模型。结构包含根节点、内部节点和叶子节点。根节点：代表包含数据集中所有数据的集合；子节点：经过属性划分后产生的非叶子节点，代表经过条件划分后更加相似的样本数据；叶子节点：代表某一个结果类别，在同一个类别的样本数据属于同一个类别。关键是使每次的属性划分后样本属于同一类别。2. 优缺点优...

Bagging：个体学习器间不存在强依赖关系，可同时生成的并行化方法。Boosting：个体学习器间存在强依赖关系，不可同时生成的序列化方法。Bagging把多个个体学习器集合在一起形成一个更好的学习器。（通常来说是选取数据中部分子集，每个子集采用一种学习器。）结合策略：把结果重叠到一起，如果回归取平均，如果分类利用投票法。AdaBoosting:以最大准确率拟合第一个学习...

1. 什么是随机森林以决策树作为基学习器，boosting为集成方法的一种监督学习方法。随机森林会随机选择指定数量的属性，再从这些属性中挑选出最优属性进行划分，而传统决策树则是选择最优的属性进行划分。这里的参数k控制了随机性的引入程度。如果k=d（全部属性集），则基决策树的构建=传统决策树构建。如果k=1，基决策树每个节点随机选择一个属性进行划分。一般推荐k=log2d。2. 优缺点...