Публикации по теме 'decision-tree'


Наука о данных: реализация дерева классификации в Rust с использованием полярных значений.
Присоединяйтесь к Medium по моей реферальной ссылке — apply.math.coding Получите доступ ко всем моим историям и тысячам других на Medium от других авторов. По моему глубокому убеждению, Medium — это… medium.com Эта история является частью моей серии Наука о данных .
Понимание алгоритма дерева решений C4.5
Алгоритм C4.5 является улучшением по сравнению с алгоритмом ID3, где C показывает, что алгоритм написан на C, а 4.5 конкретная версия алгоритма. критерием разделения, используемым C4.5, является нормализованный информационный прирост (разница в энтропии ). Для принятия решения выбирается атрибут с наибольшим нормализованным приростом информации. Затем алгоритм C4.5 рекурсивно обращается к разделенным подспискам. Глубокое понимание алгоритма: Этот алгоритм имеет..
ДРЕВО РЕШЕНИЙ
В этом блоге я буду писать о широко используемом алгоритме классификации (машинного обучения), то есть дереве решений. Здесь я объясню что такое дерево решений, типы алгоритма дерева решений, как создать дерево решений, применение дерева решений, преимущества и недостатки и, наконец, я предоставлю ссылку на мою краткую записную книжку Jupyter. по внедрению алгоритма дерева решений с нуля . Так что без дальнейших издержек давайте начнем. Что такое алгоритм дерева решений?..
Автоматическая настройка гиперпараметров с помощью деревьев решений Tensorflow.
Гиперпараметры контролируют, как обучается модель машинного обучения, и влияют на качество модели. Тогда поиск лучших гиперпараметров является одним из важных этапов моделирования машинного обучения. Алгоритмы обучения поставляются с гиперпараметрами по умолчанию. Эти значения обеспечивают более точные результаты в большинстве ситуаций. Этот подход используется, когда мы начинаем процесс моделирования. Леса решений Tensorflow также предоставляют шаблоны гиперпараметров..
Все дело в — предвзятости и дисперсии!!
Истинный!! Машинное обучение становится проще, если эти два слова хорошо понятны. Эти два слова помогают нам понять, насколько хороша наша модель. Давайте разберемся со смещением и дисперсией, используя полиномиальную линейную регрессию: Предполагая полиномиальную линейную регрессию: 1-й случай :: Степень многочлена = 1, Эта линия регрессии создаст прямую линию наилучшего соответствия. Предполагая, что у нас есть только обучающие данные, как показано ниже: Согласно этой..
Древовидная модель принятия решений для классификации — Практическая реализация
Привет! Добро пожаловать в очередной пост из моей серии Практическая реализация . Прежде всего, я оставлю ссылку на пост Алгоритмов, которые я пока показал в реализации. Если вам понравился этот, пожалуйста, не забудьте проверить их все после! Практическая реализация алгоритма К-средних Здравствуйте! medium.com Практическая реализация Машины опорных векторов (SVM) Здравствуйте! medium.com..
Основы машинного обучения (часть 13): деревья решений или классификации
Далее мы собираемся рассмотреть довольно отличный от представленных до сих пор подход к машинному обучению, в котором используется одна из наиболее распространенных и важных структур данных — двоичное дерево. Как правило, вычислительные затраты на создание дерева довольно низкие, но стоимость его использования еще ниже, O(log m), где m — количество узлов. Это важно для машинного обучения, так как запросы к обученной модели должны быть максимально быстрыми, поскольку это происходит чаще, и..