<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[li578023的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/li578023</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; li578023]]></copyright><item><title><![CDATA[Python之scikit-learn01--决策树]]></title><link>https://blog.youkuaiyun.com/li578023/article/details/76909197</link><guid>https://blog.youkuaiyun.com/li578023/article/details/76909197</guid><author>li578023</author><pubDate>Tue, 08 Aug 2017 15:20:29 +0800</pubDate><description><![CDATA[1.CART决策树
在Python之机器学习01--决策树中介绍了通过ID3算法生成决策树，它使用熵来度量样本集的不确定性。本文将介绍另一种决策树，CART决策树，并使用scikit-learn来
实现算法。分类与回归树（Classfification And Regression Tree，CART）模型也是一种决策树模型，它既可用于分类，也可用于回归。分类与回归树模型采用不同的最优化策略，]]></description><category></category></item><item><title><![CDATA[Python之机器学习01——决策树]]></title><link>https://blog.youkuaiyun.com/li578023/article/details/76849790</link><guid>https://blog.youkuaiyun.com/li578023/article/details/76849790</guid><author>li578023</author><pubDate>Mon, 07 Aug 2017 15:31:40 +0800</pubDate><description><![CDATA[1.决策树
1.1决策树原理
决策树模型基于特征对实例进行分类，它是一种树状结构。
决策树每一个叶节点对应着一个分类，非叶节点对应着在某个属性上的划分，根据样本在该属性上的不同取值将其划分成若干个子集。对于非纯的叶节点，多数类的标号给出到达这个节点的样本所属的类。
常用的决策树算法见下表。

决策树算法分类


            决策树算法]]></description><category></category></item><item><title><![CDATA[Pandas中中括号和双中括号]]></title><link>https://blog.youkuaiyun.com/li578023/article/details/76116581</link><guid>https://blog.youkuaiyun.com/li578023/article/details/76116581</guid><author>li578023</author><pubDate>Wed, 26 Jul 2017 10:06:44 +0800</pubDate><description><![CDATA[当我们使用pandas中的groupby进行分组聚合时，若对需要聚合的单列使用双中括号，则输出时会带有列标签df.groupby(['key1','key2'])[['data2']].mean()
Out[27]: 
              data2
key1 key2          
a    one   0.072958
     two  -0.962946
b    one  ]]></description><category></category></item></channel></rss>