决策树模型

基于决策树的模型根据训练数据构建一组规则，以便能够预测结果。为了便于理解，将该算法与通过决策形成的树进行比较。该模型包含表示通向结果路径（即叶子）的规则的分支。每个预测路径都指向一个包含多个值的叶。同样的原则也适用于分类型问题。对于回归类型的问题，最终预测通常是它所属的叶子中包含的所有值的平均值。

下图显示了使用 sklearn 创建决策树模型的示例。

下图分析了模型性能。

集成学习

集成学习是将弱模型组合在一起以生成性能更好的模型的算法类型。有关集成学习的详细信息，请参阅使用 Python 和 scikit-learn 学习分类算法教程，该教程讨论了用于分类的集成学习。

随机森林树木

决策树通常被认为是弱模型，因为当数据集相对较大时，它们的性能通常达不到预期。但是，当将多个决策树组合到一个模型中时，它们会提供更高的准确性。此随机林中的每个决策树都是使用训练数据的子集构建的。构成此随机森林的决策树的数量是一个任意数字，可以对其进行调整以查看准确性的变化。当要预测的值通过此生成的模型运行时，它是从这些单独的树中获取的值的平均值。

与前面的模型类似，下图显示了使用 sklearn 创建随机森林模型的示例。

梯度提升树

梯度提升树是通过累加学习前一个模型的性能来构建的模型。有关梯度提升树的更多详细信息，请参阅使用 Python 和 scikit-learn 学习分类算法教程。

比较算法

均方误差和 R2 是用于比较不同回归算法的一些流行指标。

均方误差 （MSE） 是通过获取平方误差的平均值来计算的。这里的误差是指实际值和预测值之间的距离。MSE 越接近 0，模型性能越好。

R2 使用以下公式计算：

R2 = 1 - （SS残差 / SS平均值 )

其中 SS 残差是指实际值和预测值之间差值的平方和，SS 平均值是指实际值和平均值之间的差值平方和。从本质上讲，R2 的值越接近 1，模型就越好。如果值 R2 为负数，则表示模型性能比仅从训练数据集预测所有值的平均值更差。

下图比较了不同型号的 MSE 和 R2。

总结

在本教程中，我们提供了回归算法的高级概述，并展示了如何使用 scikit-learn 库实现这些算法。我们还使用 matplot lib 来可视化一些结果。

   在线教程

• 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
• 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
• EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
• 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
• 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
• 机器学习 – 有指导和无指导情况下的基本机器学习算法
• 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
• 斯坦福统计学习

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​

人工智能书籍

• OpenCV（中文版）.(布拉德斯基等)
• OpenCV+3计算机视觉++Python语言实现+第二版
• OpenCV3编程入门 毛星云编著
• 数字图像处理_第三版
• 人工智能:一种现代的方法
• 深度学习面试宝典
• 深度学习之PyTorch物体检测实战
• 吴恩达DeepLearning.ai中文版笔记
• 计算机视觉中的多视图几何
• PyTorch-官方推荐教程-英文版
• 《神经网络与深度学习》(邱锡鹏-20191121)
• …
  

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

 有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​