@決策樹 / 博客 RSS 訂閱

Nov 18 2025

mob64ca1413c518 - spark 決策樹剪枝 spss決策樹剪枝

決策樹——剪枝 本篇是決策樹系列的第二篇，介紹一下決策樹的剪枝過程。過擬合是決策樹構建過程中常見的問題，信息失衡、噪聲等問題都會導致過擬合，剪枝則是提高決策樹模型泛化能力的重要手段，下面對常用的剪枝方法作一些介紹。 1.預剪枝 決策樹系列第一篇《分類：決策樹——樹的生長》中提到過，樹的生長是一種“完全”式的生長，終止條件也僅有“所有的樣本屬於同一類，

spark , 結點 , 誤分類 , 決策樹 , spark 決策樹剪枝 , 大數據 , 子樹

收藏 評論

Dec 27 2025

level - KNN 方法構建圖模型中計算節點之間距離

樹模型 樹模型在機器學習中至關重要，它不僅本身具有較好的性能，也可以用於優化其他的算法。 我們在本節將要介紹優化算法的樹模型以及決策樹。 一、的數據結構 在KNN算法中我們要找到測試點的最近的K個鄰居，但是這需要我們求解所有點與測試點之間的距離（我們稱這個過程為線性掃描），在數據集很大時這顯然是不合理的，為此我們需要在

機器學習 , 數據集 , 決策樹 , 算法 , 座標軸 , 人工智能

收藏 評論

Nov 11 2025

Aceryt - 淺顯易懂的機器學習（七）—— 決策樹分類

在機器學習的分類算法裏，有一類算法特別 “直觀”—— 它不用複雜的概率計算，也不用繞人的公式，而是像我們日常生活中的 “判斷流程” 一樣，一步一步得出結論。它就是決策樹（Decision Tree）。 本文會從一個真實的銀行貸款場景切入，幫你看懂決策樹的判斷邏輯，再抽象出決策樹的核心定義和結構，終於講清它如何幫我們解決分類問題。全程無複雜公式，純入門友好，看完就能學會 “用

機器學習 , 決策樹 , 服務器 , 數據 , Windows Server

收藏 評論

Dec 24 2025

智能探索者 - 軟件工程學習總結

一、今日學習內容概述 今天主要圍繞實驗三：C4.5決策樹算法實現與測試展開學習，重點內容包括： C4.5算法原理深入理解 預剪枝與後剪枝技術實現 五折交叉驗證評估方法 模型性能指標計算與分析 二、詳細學習記錄 2.1 算法理論學習 C4.5算法核心要點： • 使用信

決策樹 , 交叉驗證 , 解決方案 , 前端開發 , Javascript

收藏 評論

Nov 28 2025

mob64ca1403528a - 頭歌 機器學習 決策樹 信息熵與信息增益

決策樹的幾個常用算法：ID3, C4.5和CART算法 原理： 要對數據進行分類，涉及到通過選取什麼樣的特徵對數據進行分類，比如將柚子和西瓜進行分類，可以選取（大小、顏色、甜度等特徵） 決策樹的功能就是判斷使用哪個特徵，然後選取他認為最好的特徵對數據進行分類。 那麼他是如何選取最好的特徵呢？ 對於ID3（選取信息增益最大的特徵），C4.5（選擇信息增

機器學習 , 決策樹 , 數據 , 信息增益 , 人工智能

收藏 評論

Dec 12 2025

Chikaoya - R語言21天學習計劃 - 第七天：機器學習入門

📚 今日目標 理解機器學習基本概念和分類 掌握數據預處理與特徵工程 學習監督學習基礎算法 瞭解無監督學習方法 掌握模型評估與驗證技術 🤖 第一部分：機器學習基礎 1.1 機器學習概述 # 機器學習是讓計算機從數據中學習規律的方法 # 主要類型： # 1. 監督學習：有標籤數據 # 2. 無監督

隨機森林 , 決策樹 , 數據 , AI寫作 , aigc

收藏 評論

Dec 31 2025

戀上一隻豬 - 月末隨筆

以下記錄機械學習實驗： （1）從scikit-learn 庫中加載 iris 數據集或本地讀取，進行數據分析； （2）採用五折交叉驗證劃分訓練集和測試集，使用訓練集對隨機森林分類算法進行訓 練； （3）使用五折交叉驗證對模型性能（準確度、精度、召回率和F1值）進行測試； （4）通過對測試結果進行比較分析，評估模型性能； （5）完成實驗報告中實驗八的部分。 算法步驟、代

決策樹 , bootstrap , 默認值 , 前端開發 , Javascript

收藏 評論