qq_44647559的博客

part1 案例： 用回归树来拟合一条曲线，添加噪声来观察回归树的表现 # （1）导入库 import numpy as np # 生成正弦曲线上的点 from sklearn.tree import DecisionTreeRegressor # 回归树 import matplotlib.pyplot as plt # 画图 # （2）X轴,Y轴数据准备工作 ''' （1）np.random.ra

前情提要： （1）回归处理的是连续型变量 （2）分类处理的是分类型变量 回归树： 几乎所有参数，属性及接口都和分类树一摸一样。需要注意的是，在回归树中，没有标签分布是否均衡的问题，因此没有class_weight这样的参数 criterion: （1）分类树：不纯度的计算。可以选择基尼系数(gini)或者信息熵(entropy) （2）回归树：没有不纯度的计算。因为处理连续型变量，和分类型变量有区别。 【criterion重要参数】 回归树衡量分枝质量的指标，支持的标准有3种： （1）mse：

from sklearn import tree from sklearn.datasets import load_wine from sklearn.model_selection import train_test_split wine = load_wine() print(wine) {'data': array([[1.423e+01, 1.710e+00, 2.430e+00, ..., 1.040e+00, 3.920e+00, 1.065e+03], [1

-------------------------------class1：分类树------------------------------------- from sklearn import tree from sklearn.datasets import load_wine # datasets：数据集（波士顿房价，鸢尾花，红酒） from sklearn.model_selection import train_test_split #训练集，测试集的类 wine = load_