python机器学习初探

本文介绍了决策树的基本概念、核心问题、sklearn中的分类与回归树类,以及建模流程。通过实例展示了数据处理、模型训练、决策树绘制和特征重要性分析。讨论了random_state、splitter、max_depth、min_samples_split等参数对模型的影响,并提供了参数优化的方法。最后,探讨了如何确定最优参数和使用apply、predict接口。
摘要由CSDN通过智能技术生成

决策树

本文目的主要在于记录决策树学习内容,同时也向大家分享有关决策树知识,若有逻辑不自洽的地方还望指正。

1、概述

决策树就是将通过一系列特征判断找到目标标签的模型。

1.1决策树的核心

1、如何从数据表中找出最佳节点和最佳分枝?
2、如何让决策树停止生长,防止过拟合?

1.2决策树的分类

sklearn中的tree模块有以下5个类

功能
tree.DecisionTreeClassifier 分类树
tree.DecisionTreeRegressor 回归树
tree.export_graphviz 将生成的决策树导出为DOT形式,画图专用
tree.ExtraTreeClassifier 高随机版本的分类树
tree.ExtraTreeRegressor 高随机版本的回归树

本文主讲分类树和回归树

1.3决策树建模基本流程

  • 4
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
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