AI学习笔记（四）-决策树与随机森林

最新推荐文章于 2024-09-15 15:29:29 发布

见过女施主

最新推荐文章于 2024-09-15 15:29:29 发布

阅读量19

点赞数

文章标签：人工智能学习笔记决策树随机森林

使用树形结构来对数据进行特征分类，最终形成一个树形结构的模型。

AI学习笔记（四）-决策树与随机森林_树形结构

注：可以捕获到同类数据间的非线性特征。

作者：꧁执笔小白꧂

原创作者: u_16822845 转载于: https://blog.51cto.com/u_16822845/11650945

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

见过女施主

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

【机器学习算法基础】（基础机器学习课程）-08-决策树和随机森林-笔记

g1997c的博客

07-23

851

决策树通过选择能够最大化信息增益或最小化基尼指数的特征来进行数据的划分。最终，我们得到的树结构可以帮助我们做出分类或回归的决策。假设我们要根据天气情况（晴天、阴天、雨天）和温度（高、中、低）来决定是否去公园。熵：初始情况下，不知道天气和温度时，去公园和不去公园的比例是50/50，熵较高。条件熵：根据天气情况，发现晴天去公园的比例很高，雨天去公园的比例很低。信息增益：选择天气作为第一个划分特征，因为它能最大程度减少熵。增益率。

05决策树与随机森林（学习笔记）

LonghaoJia的博客

03-12

1116

文章目录1. 决策树模型与学习基本概念2. 信息量和熵3. 决策树的生成3.1 决策树ID3算法4. 决策树的剪枝4.1 决策树算法的问题4.2 决策树的剪枝【P65】4.3 树的剪枝算法5. CART算法5.1 CART树的生成5.1.1 回归树的生成【P71】5.1.2 分类树的生成5.1.3 CART分类树的生成算法5.2 CART的剪枝5.2.1 剪枝，形成一个子树序列5.2.2 选取最优子树TαT_{\alpha}Tα6. 随机森林6.1 随机森林简介6.2 Bootstrapping和Bag

参与评论您还未登录，请先登录后发表或查看评论

8. 机器学习——分类算法-决策树、随机森林（笔记案例）

枫城雪-----学习空间

07-20

801

1、 决策树 1.1 认识决策树 决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法。例子：你如何去划分是否能得到贷款？ 决策树的实际划分 1.2 信息的度量和作用猜谁是冠军？假设有32支球队每猜一次给一块钱，告诉我是否猜对了，那么我需要掏多少钱才能知道谁是冠军？我可以把球编上号，从1到32，然后提问：冠军在1-16号吗？依次询问，只需要五次，就可以知道结果。 32支球队，log32=5比特 64支球队，log6

人工智能——决策树与随机森林，大厂面试时间

m0_61549953的博客

04-18

440

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

机器学习算法----决策树与随机森林 (信息熵、信息增益率、剪枝、OOB) (学习笔记)

深度不学习！！的博客

04-07

3863

文章目录决策树熵、信息熵、信息增益：剪枝随机森林OOB (袋外错误率)学习参考前两天整理的笔记: 支持向量机 SVM 各种聚类算法今天整理一下决策树和随机森林。 决策树 决策树顾名思义，一张图解释一下: 假设要见相亲对象，看这张图，这就是决策树的大概过程，每一个非叶子节点都是条件，叶子节点是结果，分支就是条件。熵、信息熵、信息增益：这俩东西的原理和计算方法后面再说了，一句话理解: 可以理解为混乱程度（分类效果不好)。比如分类结果A里面啥都有，则他的混乱程度较大，所以熵值就大。构造决策树的基

机器学习——“决策树&随机森林”学习笔记

qq_42479987的博客

05-20

572

决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。 决策树算法的核心是要解决两个问题： 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？ 决策树的步骤： 1.实例化 2.训练模型 3.导入测试集进行测试 clf = DecisionTreeClassifier() clf = clf.fit(Xtrain,Ytrain) score_c = clf

决策树与随机森林学习笔记

不羡仙的博客

08-29

346

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤 1.引入库 2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分

Python 机器学习入门 - - 决策树算法学习笔记

m0_55202222的博客

04-05

719

ChatGPT一问世就给整个社会带来巨大的震撼和冲击，不禁让人惊叹现在AI的强大，我们好像离通用人工智能更近一步。在过去十几年人工智能领域的蓬勃发展中，扮演着主导地位的算法基本都是神经网络和深度学习，很多机器学习算法黯然失色。神经网络和深度学习虽然强大，但这个"黑盒"里面到底是个什么东西我们很难解释，就像人脑一样，神经元之间的相互作用是非常复杂微妙的。那机器学习中有没有一种比较强大的模型但是又可以很好解释的呢？有，那就是集成学习算法随机森林，而随机森林的每个分类器个体就是我们今天的主角- -决策树。

机器学习之监督学习(四)决策树和随机森林

2301_79376014的博客

09-07

1193

在这棵决策树中，在根结点中选取耳朵形状作为特征，然后根据耳朵尖状或松散分叉成左右子树，左孩子结点选择脸型作为特征，右孩子结点选择胡须作为特征，再进一步分叉后第三层的叶子结点输出类别（是猫/不是猫）。看上图，当选择cat DNA作为特征时，可以发现左边都是猫，右边都是狗，即完全分门别类，左右边纯度都是100%。按第三个特征分裂，左边猫占3/4，右边非猫占2/3，可以发现两个比例都是按第一个特征分裂最高，因此选取第一个特征最优。上面案例中的特征都是二元特征，也就是只有两个取值，这样构建的决策树属于二叉树。

机器学习-决策树视频教学

06-09

总的来说，这个机器学习决策树视频教学课程是一个全面且实用的学习资源，它将引导你从基础知识到实战技巧，让你能够在人工智能领域熟练运用决策树算法。无论是对机器学习感兴趣的初学者还是希望进一步提升技能的专业...

机器学习小白学习笔记---day4---（朴素贝叶斯、决策树、随机森林、梯度提升回归决策树）

godleisen的博客

02-09

921

机器学习小白学习笔记之scikit-learn 最近刚把西瓜书啃完，一大堆理论让脑子真的是一团浆糊，说实话看的基本只有一个概念哈哈哈，效果不高，但是让我对与机器学习真的是整体有了一个大的了解，但是并没能将每个课后作业都完成，甚至很多公式推导也没实现，太难了，让我着手于实践，古人云实践出真知，又拿起了另一本书《Introduce to Mashine Learning with python》今天...

机器学习笔记（通俗易懂）---决策树的集成算法介绍(7)---附完整代码

ntntg的博客

03-02

843

机器学习笔记—决策树的集成算法介绍(7)—附完整代码以下都是本人在学习机器学习过程中的一些心得和笔记，仅供参考。文章目录机器学习笔记---决策树的集成算法介绍(7)---附完整代码1.随机森林1.1构造随机森林1.2分析决策树2.梯度提升回归树（梯度提升机）3.优缺点和参数随机森林梯度提升回归树集成（ensemble）是合并多个机器学习模型来构建更强大模型的方法。在机器学习文献中有许多模型都属于这一类，但已证明有两种集成模型对大量分类和回归的数据集都是有效的，二者都以决策树为基础，分别是随机森林（

机器学习--决策树、线性模型、随机梯度下降_梯度下降决策树

pasehelpme的博客

04-27

546

用决策树分类：从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点，此时每个子节点对应着该特征的一个取值，如此递归的对实例进行测试并分配，直到到达叶节点，最后将实例分到叶节点的类中。通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得各个子数据集有一个最好的分类的过程。这一过程对应着对特征空间的划分，也对应着决策树的构建。

SRT3D: A Sparse Region-Based 3D Object Tracking Approach for the Real World

weixin_45834800的博客

09-13

1027

基于区域的方法在基于模型的单目3D跟踪无纹理物体的复杂场景中变得越来越流行。然而，尽管它们能够实现最先进的结果，大多数方法的计算开销很大，需要大量资源来实时运行。在下文中，我们基于之前的工作，开发了SRT3D，这是一种稀疏的基于区域的3D物体跟踪方法，旨在弥合效率上的差距。我们的方法在所谓的对应线（这些线模型化了物体轮廓位置的概率）上稀疏地考虑图像信息。由此，我们改进了当前的技术，并引入了考虑定义的全局和局部不确定性的平滑阶跃函数。对于所得到的概率公式，提供了详尽的分析。

【AI大模型】Kimi API大模型接口实现