data anlysis-决策树

最新推荐文章于 2024-05-20 23:56:38 发布
VIP文章 最新推荐文章于 2024-05-20 23:56:38 发布
阅读量684 收藏
点赞数
分类专栏： R 文章标签： 决策树 机器学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40243662/article/details/122579601
版权

聚类+偏差检测

常见算法

  • 决策树：if else
  • 聚类：特征数据：非监督无便签数据自动分类
  • 时间序列
  • 朴素贝叶斯：基于概率：类别特征组合形成
  • 支持向量机：样本分开，拓展模型泛化性能
  • 关联规则：非监督学习，子集与子集之间的关系
  • 神经网络：演化为深度学习，多个简单地模块形成负责功能
  • 隐马尔科夫模型：状态之间独立变化，推算变化之间的关系
  • 回归
  • 遗传算法：仿生算法，模拟生物适应环境或适应目标函数的保底算法
  • K-NH：简单高效 分类方式
  • 文本挖掘：自然然语言处理的集成

高端算法：

随机场、深度学习模型等

tools

  • IBM：intelligent miner
  • spss
  • sas
  • oracle darwin
  • weka
  • matlab
  • python
  • R
  • mahout
  • …

决策树

归纳式的算法，由节点和边构成；逼近离散
ifelse模式

贪心法：自上而下，在每个节点最好的分类属性
常见算法：CART、ID3、C4.5、ASSISTANT

火商：混乱度
H ( X ) = ∑ i = 1 n p ( x i ) I ( X i ) = − ∑ i = 1 n p ( x i ) l o g b p ( x i ) H(X)= \sum_{ i = 1 } ^n p(x_i)I(X_i)=-\sum_{i=1}^np(x_i)log_bp(x_i) H(X)=i=1∑n​p

最低0.47元/天 解锁文章
chenjunjun2022
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SVM-and-ANN-data-anlysis-example_2.rar_SVM_SVM（2）
07-14
SVM and ANN data anlysis example_2,SVM and ANN data anlysis example_2
CART决策树回归
qq_41542141的博客
08-01 423
不同于分类决策树，回归决策树返回预测值
trend anlysis--Moving Averages
walkingmanc的专栏
04-27 780
<br />移动平均线：以每n天的收盘价之和除以n，得出的平均值反映出了这n天收盘价的概貌，每向后移动一天就可以得到一个这样的值，将这些值连成线，就是移动均线了，移动均线反映了股价的一种变化趋势。 n值越大，反映的就是越长期的趋势，n值越小，反映的是越短期趋势。<br />    这样MV线的转向就表示趋势的转向，一般以60日均线来研判是牛市还是熊市。 如果60日均线是上行的，说明中期趋势是涨，中期趋势是牛市；否则，是熊市。<br />       如果短期均线开始转而上行，形成底，说明短期趋势已经开始涨了
学习Anlysis-1
-_-的专栏
08-07 286
ADOMD 查询 备忘：添加AnalysisServices.AdomdClient的引用using System;using System.Collections.Generic;using System.Text;using Microsoft.AnalysisServices.AdomdClient;namespace ana_progrom_learn{    class Progra
[Python for Data Anlysis]CH04 Numpy Basics -- Arrays and Vectorized Computation
jaskson的博客
02-18 935
NumPy Basics: Arrays and Vectorized Computation NumPy, short for Numerical Python, is the fundamental package required for high performance scientific computing and data analysis. ndarray mathemat
本资源提供的是Python for Data Anlysis 【2017 第二版】的下载链接及密码
12-07
由于CSDN上已经有人上传了Python for Data Anlysis，但是azw版本的，为方便阅读，本资源提供了pdf版本，也因为此前已经有人上传了Python for Data Anlysis，本人无法直接上传此书的pdf文档，故此提供相应的下载链接...
O2O_offline_data_anlysis.ipynb
06-06
O2O_offline_data_anlysis.ipynb
Doing Baysian Data Analysis
06-13
Data analysis using Bayesian using R, a very good book
机器学习（五） -- 监督学习（3） -- 决策树
zqx1473的博客
05-20 636
tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。！！”一般需要特别注意或者容易出错的地方。本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。由于作者时间不算富裕，有些内容的《算法实现》部分暂未完善，以后有时间再来补充。见谅！文中为方便理解，会将接口在用到的时候才导入，实际中应在文件开始统一导入。
机器学习概念：决策树的一些概念
weixin_69558614的博客
05-13 965
基于已知值的分裂：在决策树的分裂过程中，可以将具有缺失值的样本分配到多个子节点中。对于一个具有缺失特征值的样本，可以同时在每个可能的子节点中进行分裂，使得每个子节点都考虑到缺失值。这种方法可以在保留样本的同时利用其他特征的信息。缺失值作为单独的分支：为了处理缺失值，可以将具有缺失特征值的样本分配到一个单独的子节点中。这样，在分裂过程中可以为缺失值创建一个单独的分支。这种方法可以有效地处理缺失值，但可能会导致树的增长并引入更多的不确定性。
决策树(详细)
djylovehzt的博客
05-13 733
根据信息增益选择特征方式是: 对训练数据集D,计算其每个特征的信息增益,并比较它们的大小,并选择薪资增益最大的特征进行划分.表示由于特征A而使得对数据D的分类不确定性减少的程度。决策树是一种树形结构,树种每个内部节点表示一个特征上的判断,每个分支代表一个判断结果的输出,每个叶子节点代表一种分类结果。特征的信息增益 ÷ 特征的存在信息。信息增益率 = 信息增益 / 特征熵。3.使用该特征(信息增益最大的特征)作为决策树的一个节点。由于特征A而使得对数据D的分类不确定性减少的程度。[知道]c4.5树构建说明。
【机器学习】优化算法之：随机梯度下降（SGD）
商务合作 | 面试培训 | 职场规划 ==>主页扫码
05-20 686
机器学习，必会优化算法之 随机梯度下降
机器学习之sklearn基础教程（第十篇：总结与扩展阅读）
载_酒i
05-20 222
本系列教程主要介绍了sklearn库的基础知识、方法和运用。
文生图模型演进：AE、VAE、VQ-VAE、VQ-GAN、DALL-E 等 8 模型
最新发布
2401_84033492的博客
05-20 465
本文中我们从 AE（AutoEncoder）模型出发，逐步介绍了 VAE（Variational Autoencoder），VQ-VAE（Vector Quantised VAE）、VQ-VAE-2 以及 VQ-GAN 等工作。然而这些工作往往用于无条件生成，或者有条件的类别、图像等，其往往不支持文本输入，或者相关能力很弱。从 21 年初 DALL-E 的发布，文生图的模型开始大量出现。基于此，我们也进一步介绍了 DALL-E、DALL-E mini 和 CLIP-VQ-GAN 等模型。
机器学习之sklearn基础教程（第九篇：常见问题与解决方法）
载_酒i
05-20 152
在使用scikit-learn（sklearn）进行机器学习任务的过程中，我们常常会遇到一些问题。本篇教程将为你介绍一些常见问题及其解决方法，帮助你更好地使用sklearn进行机器学习。
GPT深度科研应用、数据分析及机器学习、AI绘图与高效论文撰写教程
2301_78164062的博客
05-20 688
GPT深度科研应用、数据分析及机器学习、AI绘图与高效论文撰写教程
【机器学习】机器学习与人工智能融合新篇章：自适应智能代理在多元化复杂环境中的创新应用与演进趋势
Easonmax的博客
05-14 3179
通过深入探索机器学习与人工智能的融合，我们不难发现自适应智能代理在多元化复杂环境中展现出了强大的创新应用潜力。这一领域的研究成果已经证实了智能代理能够根据环境变化实时调整行为策略，并通过学习持续优化决策过程，从而在各个领域实现更高效、更精准的决策与行动。这些成果不仅为机器学习与人工智能的进一步发展奠定了坚实的基础，也为解决现实世界中的复杂问题提供了新的思路和方法。
机器学习之注意力机制
JustinMars的博客
05-20 107
注意力机制（Attention Mechanism）是机器学习，特别是深度学习中一种重要的技术，最初被用于自然语言处理（NLP）任务，如机器翻译。它的核心思想是，让模型在处理输入数据时，能够“关注”到数据中的重要部分，而不是一视同仁地处理所有部分。在序列到序列（seq2seq）模型中，传统的编码器-解码器架构往往会遇到问题，尤其是当输入序列很长时。具体来说，解码器在生成每个输出时，不是依赖于一个固定的上下文向量，而是根据当前的解码状态，动态地计算与输入序列不同部分的加权和。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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