m0_50572604的博客

文章目录前言一、分类树参数列表二、分类树属性列表三、分类树接口列表前言采用菜菜老师的列表一、分类树参数列表二、分类树属性列表三、分类树接口列表

文章目录前言步骤1. 导入库2. 使用pandas来读取csv文件3. 对csv文件的信息进行探索4. 数据的预处理4.1 将对训练模型无关的特征进行删除4.2 将所有非数字类型的特征转为数字类型的特征4.3 统一数据的数量5. 对数据集进行拆分，将数据特征和标签进行分离（survived结果和其余的数据进行分离）6. 对数据集进行训练集和测试集的划分7. 对划分的测试集和训练集进行排序（养成习惯）8. 对模型进行训练9. 通过网格搜索来调整最优参数注意前言提示：这里可以添加本文要记录的大概内容：.

文章目录前言步骤1. 导入需要的库2. 创建含有噪声的正弦曲线3. 对模型的实例化以及训练模型4. 将测试集导入，进行预测5. 对结果进行绘制图像总结前言观察决策树是怎样拟合一条曲线的。我们用回归树来拟合正弦曲线，并添加一些噪声来观察回归树的表现步骤1. 导入需要的库import numpy as npimport matplotlib.pyplot as pltfrom sklearn.tree import DecisionTreeRegressor2. 创建含有噪声的正弦曲线.

文章目录前言一、重要参数criterion交叉验证交叉验证cross_val_score的用法二、 重要的属性和接口(详细在分类树笔记)总结前言几乎所有参数，属性及接口都和分类树一模一样。需要注意的是，在回归树种，没有标签分布是否均衡的问题，回归树处理的是连续型变量，因此没有class_weight这样的参数。使用波士顿房价数据集来进行回归树的学习提示：以下是本篇文章正文内容，下面案例可供参考一、重要参数criterion回归树衡量分支质量的指标，支持标准有三种：输入"mse"使用均.

文章目录前言一、决策树是什么？二、算法原理ID3算法1.ID3算法概述2.计算不纯度的方法误差率信息熵Gini(基尼系数)3.公式应用及总结特征4. 举例说明5.总结6. ID3的局限性C4.5算法1. C4.5与ID3和CART的区别2. 修改局部最优化的条件3. 利用GR重新计算上面的例子4. 连续变量处理手段CART算法总结前言决策树原理：ID3算法，c4.5算法，CART算法一、决策树是什么？决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的.

文章目录前言一、重要参数1.1 criterion建立一棵树的步骤1.2 random_state & splitter1.2.1 建立树的第五步（建立模型）添加参数1.3 剪枝参数1.3.1 查看对训练集的拟合效果如何1.3.2 max_depth1.3.3 min_samples_leaf & min_samples_split1.3.4 建立树的第五步（建立模型）添加上述参数1.3.5 max_features & min_impurity_decrease1.3.6 确认最.

文章目录前言sklearn中的决策树1.sklearn.tree模块2.sklearn基本建模流程前言决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。sklearn中的决策树1.sklearn.tree模块sklearn中决策树的类都在tree模块下，模块共包含五个类：类名称tree.DecisionTreeClassififier分类树tr.