概述
文章目录
- 一、决策树
- 1.信息熵
- 1）熵
- 2）联合熵与条件熵
- 3）相对熵
- 4）互信息
- 总结
- 2.决策树学习算法
- 1）信息增益-ID3
- 2）信息增益率-C4.5
- 3)CART-gini系数
- 总结
- 4）决策树的评价
- 5）决策树过拟合
- 二、Bagging与随机森林
- 1.Bagging
- 2.随机森林
- 3.样本不均衡的常用处理方法
- 4.样本间相似度
- 5.特征重要度
- 6.异常检测
一、决策树
1.信息熵
1）熵
2）联合熵与条件熵
3）相对熵
4）互信息
总结
互信息的另一种表述方式
2.决策树学习算法
1）信息增益-ID3
符号含义
2）信息增益率-C4.5
3)CART-gini系数
见上
总结
4）决策树的评价
5）决策树过拟合
二、Bagging与随机森林
1.Bagging
2.随机森林
3.样本不均衡的常用处理方法
4.样本间相似度
5.特征重要度
6.异常检测
最后
以上就是甜美棉花糖为你收集整理的机器学习基础算法16- 决策树与随机森林-理论部分的全部内容，希望文章能够帮你解决机器学习基础算法16- 决策树与随机森林-理论部分所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复