- 博客(2)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 决策树笔记
一、决策树 决策树的定义：分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点分为内部结点和叶结点。内部结点表示一个特征或属性，叶节点表示一个类。 决策树的学习主要包括三个步骤： 特征选择 决策树的生成 决策树的修剪 决策树学习的常用算法有ID3、C4.5与CART。其中ID3特征选择的准则是信息增益，C4.5的是信息增益率，CART是基尼指数。 1、特征选择： 熵（entropy） 介绍信息增益之前需要先引入熵的概念： 熵表示的是随机变量的不确定性程度，表达式为：
2020-05-20 23:51:38
321
原创 统计学习方法习题 2.2
import numpy as np def model(X, y, alpha): #计算X的维度 n, m = np.shape(X) t = m #给w,b赋予初值为0 w = (np.zeros(m)).reshape(m,1) b = 0 print('w, b初始值:\nw = {0}, b = {1}'.format(w.ra...
2020-04-15 16:40:26
268
空空如也
import tensorflow_datasets失败？
2020-07-04
TA创建的收藏夹 TA关注的收藏夹
TA关注的人