决策树

本文深入探讨了决策树算法的核心概念,包括熵、信息增益、信息增益比及基尼指数等关键指标,并介绍了ID3、C4.5与CART三种主要决策树算法的特点。此外还讨论了如何处理连续值、缺失值以及剪枝等问题,同时涉及了特征相关性的处理方法,并对比了决策树与集成模型如随机森林、GBDT之间的关系。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

博客出于待完善学习状态

熵的概念 

信息增益

信息增益比

基尼指数

ID3

C4.5

CART(Classification And Regression Tree)

如何剪枝,

如何处理缺失值

如何处理连续值?

还有进一步的集成模型里选取的决策树,比如随机森林里用的哪种决策树,GBDT利用的哪种决策树?

如果考虑特征相关性问题,有没有这样的决策树算法处理这方面的问题。

各个算法的优缺点,与随机森林,GBDT的关系。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值