机器学习中的决策树的应用

最新推荐文章于 2024-06-07 18:28:32 发布

Yu_Web

最新推荐文章于 2024-06-07 18:28:32 发布

阅读量4.2k

点赞数

文章标签：机器学习算法

本文链接：https://blog.csdn.net/Yu_Web/article/details/53113829

版权

本文介绍了机器学习中的决策树应用，包括训练集和测试集的概念，以及特征向量和分类、回归的区别。评估算法好坏的标准有准确性、速度、强壮性和可规模性。

摘要由CSDN通过智能技术生成

机器学习的基本概念：

训练集：用来进行训练的集合，也可以理解为原始数据。

测试集：用来检测用训练集训练出来的模型的好坏，可以用训练集来测试的集合，就是测试集。

一个简单的例子：

小明做某项水上运动，已知的一些数据如上，我们可以将前三行数据认为是训练集。表中的预报表示天气预报和实际的天气相比是一样的还是有变化的。如果用这些训练集去训练，得到一个模型，那么现在用第四行数据去测试这个模型，看看结果是不是一样的，那么第四行的数据就是测试集。

特征向量：在本例中天气，温度，湿度，风力，水温，预报这些构成了特征向量。

分类&

关注