-
机器学习中的算法(1)-决策树模型组合之随机森林与GBDT
模型组合（比如说有Boosting，Bagging等）与决策树相关的算法比较多，这些算法最终的结果是生成N(可能会有几百棵以上）棵树，这样可以大大的减少单决策树带来的毛病，有点类似于三个臭皮匠等于一个诸葛亮的做法，虽然这几百棵决策树中的每一棵都很简单（相对于C4.5这种单决策树来说），但是他们组合起来确是很强大。
-
数据挖掘系列（6）决策树分类算法
从这篇开始，我将介绍分类问题，主要介绍决策树算法、朴素贝叶斯、支持向量机、BP神经网络、懒惰学习算法、随机森林与自适应增强算法、分类模型选择和结果评价。总共7篇，欢迎关注和交流。 这篇先介绍分类问题的一些基本知识，然后主要讲述决策树算法的原理、实现，最后利用决策树算法做一个泰坦尼克号船员生存预测应用。
-
【sklearn】2.分类决策树实践——Titanic数据集
在上一篇【sklearn】1.分类决策树学习了sklearn决策树的一些接口后，现在利用kaggle上泰坦尼克号的数据集进行实践。 数据集获取 在Kaggle上下载Tictanic数据集
-
机器学习 - [源码实现决策树小专题]决策树中，信息增益、信息增益率计算以及最佳特征挑选的Python实现
114883862 阅读本文前推荐先阅读：决策树算法中数据集的划分：https://blog.csdn.net/qq_28550263/article/details/114892718 导读：决策树是一种基于信息的学习算法。在决策树算法中需要不断地挑选出最佳特征，而挑选最佳特征地依据就是信息增益率。
-
机器学习 - [源码实现决策树小专题]决策树中子数据集的划分（不允许调用sklearn等库的源代码实现）
本文我们将解决两个问题，一个是为什么我们要划分数据集，另一个是如何用代码实现数据集划分。 1. 经典决策树算法思想回顾 决策树算法包括建树（训练）和查树（决策/预测）两个环节。在决策树算法的训练过程中对于决定一个事件最终决策的多个特征（决策考虑因素），我们一般基于如信息增益率、基尼系数等指标先确定出一个能最大
-
泰坦尼克号案例分析：决策树分类
这反而是最简单的一步，调参侠请求出战。当然这里还是简单介绍一下决策树分类器的基本原理。其实很简单，就是一堆数据从上往下，按照各自的特征进入不同的分支，在这个过程中机器会学习到从上到下分别应该选择哪一种特征来分类，最后生成的树就是已经训练好的树，此时树的每个分支应该用哪一个特征已经确定，就可以用来
-
机器学习第三部分：决策树算法
了解更多点击下载附件：机器学习第三部分：决策树算法
-
联邦学习课程学习路径
础上联合进行高效率的机器学习。本课程介绍纵向联邦学习算法，包括数据对齐，线性拟合、逻辑回归、分类树、决策树、XGBoost等，并讲解如何实现最简单的纵向联邦学习。 开始学习 纵向联邦学习技术与实践 纵向联邦学习技术与实践 第四阶段：联邦学习应用 联邦学习（Federated Le
-
机器学习算法（五）：基于企鹅数据集的决策树分类预测
林模型，创造了一种全新的基于决策树的深度集成方法，为我们提供了决策树发展的另一种可能。 同时决策树在一些明确需要可解释性或者提取分类规则的场景中被广泛应用，而其他机器学习模型在这一点很难做到。例如在医疗辅助系统中，为了方便专业人员发现错误，常常将决策树算法用于辅助病症检测。例如在
-
亲测！决策树可视化Graphviz中文乱码问题~
在使用Graphviz进行决策树可视化的过程中遇到一个问题：export_graphviz似乎不支持中文，当feature_name包含中文时，导出的决策树pdf中文都是乱码。查了一些资料，说是要把源文件保存为UTF-8的格式，但在
-
面试题：决策树对缺失值是如何处理的
今天去面试算法岗位，被问到了一个问题，分享给大家，希望对大家有帮助：决策树对缺失值是如何处理的?决策树处理缺失要考虑以下三个问题： 1、当开始选择哪个属性来划分数据集时，样本在某几个属性上有缺失怎么处理：（1）忽略这些缺失的样本。 （2）填充缺失值，例如给属性A填充一个均值或者用
-
ML之DT：基于简单回归问题训练决策树(DIY数据集+七种{1~7}深度的决策树{依次进行10交叉验证})
ML之DT：基于简单回归问题训练决策树(DIY数据集+七种{1~7}深度的决策树{依次进行10交叉验证}) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 for iDepth in depthList:
-
随机森林回归 - AI开发平台ModelArts
随机森林回归 概述 “随机决策森林回归”节点用于产生回归模型。随机决策森林是用随机的方式建立一个森林模型，森林由很多的决策树组成，每棵决策树之间没有关联。当有一个新的样本输入时，该样本取值为所有决策树的预测值的平均值。 随机决策森林回归中的决策树算法是递归地构建决策树的过程，用平方误差最
-
Python实现决策树 - "众数"挑选器、随机挑选器
的策，选取某类或某个特定的元素返回，以作为选择的结果 【note】这几个挑选器可供实现"决策树"算法中，当使用预剪枝策略停止分裂时，挑选出一个提前结束决策树叶节点的lable。 （1）一种称之为“众数投票器”，顾名思义是按照以容器（Collection）中
-
机器学习 - [源码实现决策树小专题]决策树中混杂度数值度量的Python编程实现（信息熵和基尼系数的计算）
现发散态势，但基尼系数最大为1，最小为0。这使得基尼系数在有些情况下用于混杂度的度量以实现某种算法时显得比基于信息熵的度量更方便。比如在决策树算法中，使用基于信息熵的信息增益总是会偏向于选取取值类型更多的特征，而这却不是我们所期待的。 基尼系数的计算步骤为： 确定当前特征有多少取值（i=1
-
欠拟合的解决方法有哪些？ - AI开发平台ModelArts
模型复杂化。 对同一个算法复杂化。例如回归模型添加更多的高次项，增加决策树的深度，增加神经网络的隐藏层数和隐藏单元数等。 弃用原来的算法，使用一个更加复杂的算法或模型。例如用神经网络来替代线性回归，用随机森林来代替决策树。 增加更多的特征，使输入数据具有更强的表达能力。 特征挖掘十分
-
【人工智能】机器学习之使用Python生成ID3决策树及使用sklearn的决策树算法对葡萄酒数据集进行分类
❤❤❤ID3算法 ✅✅决策树的思想： 给定一个集合，其中的每个样本由若干属性表示，决策树通过贪心的策略不断挑选最优的属性。 常见的决策树算法有ID3,C4.5,CART算法等。 💤💤💤ID3算法： baseEntropy = self.calcShannonEnt(dataset)
-
文档管理系统升级：决策树算法的性能优势
洗、数据变换、数据归一化等。 特征选择：决策树算法的性能与特征选择有关，选择合适的特征可以提高决策树算法的准确性和效率。 剪枝：决策树算法容易出现过拟合的情况，因此需要进行剪枝操作，减少决策树的复杂度，提高算法的泛化能力。 并行计算：决策树算法可以通过并行计算来提高效率，例如使用多线程或分布式计算等方式。
-
监督学习算法中梯度提升决策树（Gradient Boosting Decision Trees）
用残差作为目标值训练一个新的决策树模型。为了减少过拟合，每个样本在训练新的决策树时会引入一定的随机性，可以通过限制决策树的深度、随机选择特征等方式来实现。 更新模型：将新训练的决策树模型与当前模型进行加权融合，得到新的模型。为了避免过拟合，每个决策树的权重会根据某种损失函数进行更新。
-
在文档管理系统中决策树算法起到了哪些作用
容易受特定数据集影响。决策树算法在分割数据集时，对选择的分割点较敏感。如果数据分布不均或数据存在噪声，可能会影响决策树的分类效果。 决策树算法在文档管理系统中的具体例子包括： 通过构建决策树模型，对网络流量进行分类和排序，以确定网络行为模式。 利用决策树算法检测和预测网络攻
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
