![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
3 sklearn
01 决策树
02随机森林
03数据预处理和特征工程
04主成分分析PCA与奇异值分解SVD
05逻辑回归与评分卡
06聚类算法Kmeans
07支持向量机上
08支持向量机下
09回归大家族:线性回归,岭回归,Lasso多项式回归
010朴素贝叶斯
011XGBoost
qq_44647559
这个作者很懒,什么都没留下…
展开
-
class4 决策树之回归树案例
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原创 2021-05-26 22:49:57 · 195 阅读 · 0 评论 -
class3 决策树之回归树基础
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:原创 2021-05-26 22:45:53 · 143 阅读 · 0 评论 -
class2 决策树之分类树基础(总结)
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原创 2021-04-29 10:06:50 · 53 阅读 · 0 评论 -
class1 决策树之分类树基础(详细版)
-------------------------------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_原创 2021-04-29 09:52:10 · 118 阅读 · 0 评论