机器学习之-回归树-具体怎么实现及应用

1、连续和离散型特征的树的构建：

用字典来存储树的数据结构，包含4个元素：

a）待切分的特征

b）待切分的特征值

c）右子树。当不再需要切分的时候，也可以是单个值。

d）左子树。与右子树类似。

//2017/6/6

1、CART（classification and regression trees，分类回归树），可以用于分类和回归，值得学习。

2、模型树算法：

与回归树的做法（在每个叶节点上使用各自的均值做预测）不同，该算法需要再每个节点上都构建出一个线性模型。

3、ID3算法的优缺点：

ID3的做法每次选取当前最佳的特征来分割数据，并按照该特征的所有可能取值来切分，一旦切分后，该特征将不再起作用，因此有观点认为这种切分方式过于迅速。

另外：ID3算法不能直接处理连续型特征，只有事先将连续型特征转为离散型，才能在ID3算法中使用。

4、如何计算连续型数据的混乱度？

计算均值，求每条数据到均值的差值（平方值或绝对值）。

//2017/6/8

1、Python交互式GUI：Tkinter

由一些小部件（widget）组成：文本框、按钮、标签、复选框等对象。

还有一些布局管理器：grid（）就是把部件放在一个二维表格中，可以设定部件在二维表格中的位置，从（0,0）位置开始。

Tk()用于创建根部件。