决策树面试知识点最全总结(四)——CART回归树

CART回归树适用于非线性数据,通过平方误差最小化准则构建二叉树。算法选择最佳切分变量和点,递归划分数据集,以最小化区域误差。每个划分单元的输出值为该单元内输出值的平均。算法包括遍历变量、划分区域、确定输出值及停止条件等步骤。
摘要由CSDN通过智能技术生成

CART回归树

如果样本的标签和样本的特征存在非线性关系时,则普通的线性回归、岭回归和Lasso回归都不再使用。
局部加权回归也可以对非线性数据进行较好的拟合,但是它是非参数模型,每次预测都要重新训练模型参数,计算量太大,耗费时间。
CART树回归算法属于一种局部的回归算法,通过将全局的数据集划分成多份容易建模的数据集,这样在每个个数据集上进行局部的回归建模。

CART回归树用平方误差最小化准则,进行特征选择,生成二叉树。
重点:
一个回归树对应着输入空间(即特征空间)的一个划分以及在划分的单元上的输出值。

1) 如何划分?划分标准时什么?
2)各个划分单元上的输出值怎么确定?
如果回答了以上2个问题,那么回归树模型就确定了。
假设已将输入空间划分为M个单元 R 1 , R 2 … R m R_1,R_2…R_m R1,R2Rm,并且在每个单元上都有一个固定的输出值 C m C_m Cm,于是回归树模型可表示为:
f ( x ) = ∑ m = 1 M c m I ( x ∈ R m ) f(x)=\displaystyle\sum_{m=1}^{M}c_mI(x∈R_m) f(x)=m=1McmI(xRm)
当输入空间的划分确定时,可以用平方误差 ∑ ( x i ∈ R m ) ( y i − f ( x i ) ) 2 \displaystyle\sum_{(x_i ∈R_m)}(y_i-f(x_i))^2 (xiRm)(y

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值