决策树-回归

前言

决策树常用于分类问题，但是也能解决回归问题。

在回归问题中，决策树只能使用cart决策树，而cart决策树，既可以分类，也可以回归。

所以我们说的回归树就是指cart树。

为什么只能是cart树

1. 回想下id3，分裂后需要计算每个类别占总样本的比例，回归哪来的类别，c4.5也一样

2. 回归问题肯定是连续属性，所以只能二划分，而cart树是强制的二叉树

回归树的分裂

分裂方法与决策树处理连续属性无异，分裂评价有所不同。

分类cart树用的gini系数，回归cart树可以用多种评价指标

MSE

cm为叶子节点的均值

最小化L2误差

MAE

y1-,y2-(平均)分别表示以当前属性作为划分选择时各自对应的集合s1和s2目标值的均值，也有取中位数的，可以自己定

最小化L1误差

也可以尝试其他回归评价指标

防止过拟合

通过剪枝提高模型的泛化能力，如

SSE=SSE+γT

T表示树的规模，如叶节点的个数，γ为惩罚系数，可以自定义，值越大树的规模越小

示例代码

from sklearn import tree
X \= \[\[0, 0\], \[1, 1\], \[2, 2\], \[6, 6\], \[8, 8\], \[10, 10\]\]
y \= \[0.5, 0.8, 1, 7.5, 8.5, 9\]
clf \= tree.DecisionTreeRegressor(max\_depth=2)
clf \= clf.fit(X, y)
print clf.predict(\[\[1, 1.5\]\])       # 0.9
print clf.predict(\[\[3, 5\]\])         # 0.9
print clf.predict(\[\[10, 12\]\])       # 8.75

最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

五、面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】