- 博客(2)
- 收藏
- 关注
RSS订阅原创 决策树总结
决策树（decision tree）是一类常见的机器学习算法，顾名思义，他是基于树结构进行决策的，和人脑的处理机制很类似。一般的，一棵决策树包含一个根节点，若干个内部结点和若干个叶节点；叶节点对应于决策结果，其他每个节点对应于一个属性测试；每个节点包含的样本集合根据属性测试的结果被划分到子节点中；根节点包含样本全集。从根节点到叶节点的路径对应于一个判定测试序列。决策树的目的就在于产生一个泛化能力强，即处理未见示例能力强的决策树。其基本流程遵循简单而直接的分而治之（divide-and-conquer）策
2022-03-24 22:49:07
616
原创 【西瓜书笔记】前两章
第一章机器学习基于数据，数据集中的一个微观个体成为示例或样本，横向。纵向称为属性或特征，属性取值为属性值，所有特征取值张成的空间为样本空间、输入空间。在这种空间中能找到任意示例的坐标，因此可以吧示例称为特征向量。将数据集划分为子样本进行学习与测试，即训练集与测试集。有无监督学习指是否有标记信息即Y，有监督学习代表为分类与回归，无监督学习代表为聚类。根据Y是离散的还是连续的，前者为分类，后者为回归，聚类得出的为潜在分类。二分类分正类负类即两种标签值。模型的潜在的泛化能力要被重视，而不是
2022-03-15 23:21:01
272
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人