第六个算法：决策树、信息增益、程序与树绘图示例

石默研 2023-01-13 03:10:08

课时名称	课时知识点
第六个算法：决策树、信息增益、程序与树绘图示例	讲解决策树算法构建原理、流程，基尼系数、熵、信息增益与程序示例

...全文

44 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

决策树ID3，CART，预剪枝，后剪枝

人工智能课程体系及项目实战,人工智能课后作业.pdf人工智能课程体系及项目实战,人工智能课后作业.pdf人工智能课程体系及项目实战,人工智能课后作业.pdf人工智能课程体系及项目实战,人工智能课后作业.pdf人工智能课程体系及项目实战,人工智能课后作业.pdf人工智能课程体系及项目实战,人工智能课后作业.pdf人工智能课程体系及项目实战,人工智能课后作业.pdf人工智能课程体系及项目实战,人工智能课后作业.pdf

1.分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型：内部结点和叶节点。内部结点表示一个特征或属性，叶节点表示一个类。决策树学习的目的是为了产生一个泛化能力强的决策树，用来预测未知事例。2.经典的决策树算法有ID3、C4.5、CART、RF等，由于本人是初学者，所以以下示例由ID3展开ID3作为一种经典的决策树算法，是基于信息熵来选择最佳的测试属性，其选择了当前样本集中具有最大信息增益值的属性作为测试属性。

决策树算法是机器学习领域中的一种重要分类方法，它通过树状结构来进行决策分析。决策树凭借其直观易懂、易于解释的特点，在分类问题中得到了广泛的应用。本文将介绍决策树的基本原理，包括熵和信息熵的相关概念，以及几种经典的决策树算法。

目录1.决策树概述：2.决策树构造1.1 信息增益2.2划分数据集2.3 递归构建决策树3.在python中使用matplotlib注解绘制树形图3.1 Matplotlib注解 3.2构造注解树4.测试和存储分类器4.1测试算法：使用决策树执行分类4.2 使用算法：决策树的存储4.4示例：使用决策树预测隐形眼镜类型本博客涉及相关代码和数据提取码：wdyb划分数据集的最大原则就是：将无序的数据变得更加有序，在划分数据集之前之后信息发生的变化称为信息增益，知道如何计算信息增益，我们就可以计算每个特征值划分数据

石逸凡的课程社区_NO_1

2

社区成员

376

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章