文件名称：颜色分类leetcode-dsc-regression-cart-trees-codealong:dsc-regression-cart-tr
文件大小：243KB
文件格式：ZIP
更新时间：2024-07-26 16:47:01
系统开源
颜色分类leetcode 使用 CART 树进行回归 介绍 正如我们所了解的，决策树是一种受监督的机器学习模型，可用于分类和回归任务。 我们已经看到，决策树使用树结构来预测分类任务中给定输入示例的输出类别。 对于回归分析，树中从根节点到叶节点的每条路径都代表一条以预测值结尾的决策路径。 在本课中，我们将通过一个简单的示例了解如何使用决策树回归器执行回归。 注意：请访问本课中使用的回归树函数。 目标 你将能够： 解释递归分区 使用 scikit-learn 拟合决策树回归模型 递归分区 线性回归被认为是一个全局模型，因为在整个样本空间中只有一个模型。 对于包含具有复杂非线性关系的复杂特征的数据，组装这样一个单一的全局模型可能是一项非常困难且计算成本高的任务。 处理非线性回归的另一种方法是将样本空间划分为更小的区域，正如我们在之前的分类树课程中已经看到的那样。 这在回归中没有太大不同。 我们的目标是划分为越来越小、更简单的子集，直到我们可以为它们拟合简单的回归模型。 由于每个子集都是一个较小的子集的分区，而这个子集本身就是一个子集，这使它成为递归分区的教科书示例。 回想一下，在分类树中，叶
【文件预览】：
dsc-regression-cart-trees-codealong-master
----.gitignore(64B)
----images()
--------dt1.png(89KB)
--------dt2.png(93KB)
----LICENSE.md(1KB)
----CONTRIBUTING.md(2KB)
----README.md(12KB)
----.learn(86B)
----index_files()
--------index_6_0.png(18KB)
--------index_14_0.png(19KB)
----index.ipynb(64KB)