決策樹(shù)是最重要的機(jī)器學(xué)習(xí)算法之一，其可被用于分類和回歸問(wèn)題。本文中，我們將介紹分類部分。
2020-10-12 16:39:34
1112 
、預(yù)測(cè)和管理飛機(jī)的運(yùn)行狀態(tài)。鑒于此，將機(jī)器學(xué)習(xí)中的決策樹(shù)算法應(yīng)用到故障診斷技術(shù)中，建立了復(fù)雜的數(shù)學(xué)模型，提出了一種基于飛機(jī)狀態(tài)參數(shù)構(gòu)成的決策樹(shù)的飛機(jī)級(jí)故障診斷建模方法，對(duì)飛機(jī)健康管理應(yīng)用的發(fā)展具有一定的參考意義，有利于健康管理系統(tǒng)朝著更加綜合化、智能化、網(wǎng)絡(luò)化和標(biāo)準(zhǔn)化的方向發(fā)展。
2023-11-16 16:40:27453 
決策樹(shù)算法是機(jī)器學(xué)習(xí)領(lǐng)域的基石之一，其強(qiáng)大的數(shù)據(jù)分割能力讓它在各種預(yù)測(cè)和分類問(wèn)題中扮演著重要的角色。
2023-12-13 09:49:56400 
非線性分類器，也就是說(shuō)，通過(guò)復(fù)雜的決策邊界來(lái)分割解空間。那么，直觀地看，為什么我們認(rèn)為使用決策樹(shù)模型比深度神經(jīng)網(wǎng)絡(luò)要容易得多呢？13. 反向傳播是深度學(xué)習(xí)的關(guān)鍵算法。請(qǐng)列舉一些可能替代反向傳播算法來(lái)訓(xùn)練
2018-09-29 09:39:54
決策樹(shù)在機(jī)器學(xué)習(xí)的理論學(xué)習(xí)與實(shí)踐
2019-09-20 12:48:44
在本文中，我們將討論一種監(jiān)督式學(xué)習(xí)算法。最新一代意法半導(dǎo)體 MEMS 傳感器內(nèi)置一個(gè)基于決策樹(shù)分類器的機(jī)器學(xué)習(xí)核心（MLC）。這些產(chǎn)品很容易通過(guò)后綴中的 X 來(lái)識(shí)別（例如，LSM6DSOX）。這種
2023-09-08 06:50:22
Excel-分類算法-決策樹(shù)
2019-05-10 11:05:28
的真實(shí)年齡，這就是GBDT算法的原理。GBDT（Gradient Boosting Decision Tree）梯度提升決策樹(shù)算法，其核心思想其實(shí)是一種梯度下降的近似算法，利用損失函數(shù)（擬合殘差）的負(fù)梯度
2019-01-23 14:38:58
本文檔旨在提供 ISM330DHCX 中可用的機(jī)器學(xué)習(xí)內(nèi)核功能信息。機(jī)器學(xué)習(xí)處理能力允許將一些算法從應(yīng)用處理器轉(zhuǎn)移到 MEMS傳感器，從而持續(xù)降低功耗。通過(guò)決策樹(shù)邏輯獲得機(jī)器學(xué)習(xí)處理能力。決策樹(shù)是由
2023-09-08 07:53:52
ML--決策樹(shù)與隨機(jī)森林
2020-07-08 12:31:39
與信息處理專業(yè)，本科以上學(xué)歷；2.有較好數(shù)學(xué)以及信號(hào)處理基礎(chǔ)，熟悉基本的的數(shù)據(jù)挖掘/機(jī)器學(xué)習(xí)模型，如決策樹(shù)、回歸、貝葉斯、聚類等算法模型；3.熟悉信號(hào)與系統(tǒng)的整體結(jié)構(gòu)；4.能夠熟練運(yùn)用MATLAB
2017-08-18 10:26:22
的估計(jì)區(qū)間 4、隨機(jī)森林隨機(jī)森林（Random Forest）是Bagging的擴(kuò)展變體。隨機(jī)森林在以決策樹(shù)為基學(xué)習(xí)器構(gòu)建Bagging集成的基礎(chǔ)上，進(jìn)一步在決策樹(shù)的訓(xùn)練過(guò)程中引入了隨機(jī)屬性選擇。簡(jiǎn)單
2018-06-06 10:11:38
目錄人工智能基本概念機(jī)器學(xué)習(xí)算法1. 決策樹(shù)2. KNN3. KMEANS4. SVM5. 線性回歸深度學(xué)習(xí)算法1. BP2. GANs3. CNN4. LSTM應(yīng)用人工智能基本概念數(shù)據(jù)集：訓(xùn)練集
2021-09-06 08:21:17
貝葉斯法是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。最為廣泛的兩種分類模型是決策樹(shù)模型和樸素貝葉斯模型。和決策樹(shù)模型相比，樸素貝葉斯分類器發(fā)源于古典數(shù)學(xué)理論，有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率
2022-03-05 14:15:07
本文主要介紹支持向量機(jī)、k近鄰、樸素貝葉斯分類 、決策樹(shù)、決策樹(shù)集成等模型的應(yīng)用。講解了支持向量機(jī)SVM線性與非線性模型的適用環(huán)境，并對(duì)核函數(shù)技巧作出深入的分析，對(duì)線性Linear核函數(shù)、多項(xiàng)式
2021-09-01 06:57:36
可以實(shí)現(xiàn)對(duì)未知的數(shù)據(jù)進(jìn)行高效分類。從開(kāi)頭狼人殺的例子中也可以看出，決策樹(shù)模型具有較好的可讀性和描述性，能夠幫助我們更高效率地去分析問(wèn)題。舉個(gè)例子，普通人去銀行貸款的時(shí)候，銀行會(huì)根據(jù)相應(yīng)條件，來(lái)判斷貸款人
2018-05-23 09:38:48
樹(shù)模型的一些理解
2020-05-22 09:40:45
統(tǒng)計(jì)學(xué)習(xí)方法決策樹(shù)
2019-11-05 13:40:43
利用決策樹(shù)中CART算法識(shí)別印第安人糖尿病患者
2019-05-06 12:16:27
本發(fā)明公開(kāi)一種基于機(jī)器學(xué)習(xí)的車位狀態(tài)預(yù)測(cè)方法，基于歷史數(shù)據(jù)，建立回歸決策樹(shù)模型進(jìn)而構(gòu)建改進(jìn)決策樹(shù)模型，對(duì)每個(gè)區(qū)域的停車率進(jìn)行預(yù)測(cè)，基于停車率和用戶喜好度為用戶推薦相應(yīng)的停車區(qū)域，獲取相應(yīng)停車區(qū)域
2023-09-21 07:24:58
的我正在使用 LSM6DSOX 和 ProfiMEMS 板。我基于 WEKA（決策樹(shù)）創(chuàng)建了我的模型，并在 Unico v.8 中對(duì)其進(jìn)行了測(cè)試并且它有效?，F(xiàn)在的問(wèn)題是如何在 STM32cube 中使用我的最終模型（我在 MLC 中加載的模型）？程序如何？預(yù)先感謝您的幫助。
2023-01-12 09:14:43
我正在開(kāi)發(fā)一個(gè)超低功耗應(yīng)用程序，其中 LSM6DSO32X 的 MLC 用于在發(fā)生有趣的事情時(shí)喚醒 mcu，特別是我實(shí)現(xiàn)了兩個(gè)決策樹(shù)，每個(gè)決策樹(shù)都專注于模式檢測(cè)。為了減少錯(cuò)誤喚醒，我想僅在兩棵樹(shù)中
2022-12-22 06:26:34
缺一不可。逐步學(xué)習(xí)并熟練應(yīng)用機(jī)器學(xué)習(xí)算法涉及到具體的機(jī)器學(xué)習(xí)算法，比如我們前文提到的決策樹(shù)、回歸、樸素貝葉斯等，這類算法不僅僅需要掌握它們的理論知識(shí)，更需要在實(shí)際應(yīng)用中了解它們的模型構(gòu)建和模型優(yōu)化。機(jī)器
2018-07-27 12:54:20
使用 UNICO（v9.10.0.0），生成具有多個(gè)決策樹(shù)的 UCF 文件的過(guò)程似乎是：1.加載所有決策樹(shù)的所有測(cè)試數(shù)據(jù)，像對(duì)單個(gè)樹(shù)一樣標(biāo)記每個(gè)數(shù)據(jù)集（大概標(biāo)簽需要在所有樹(shù)中是唯一的）2.使用MLC
2022-12-26 06:30:11
(決策樹(shù)，就是做決策的節(jié)點(diǎn)間的組織方式像一棵倒栽樹(shù))核心算法ID3的改進(jìn)算法，C4.5相比于ID3改進(jìn)的地方有：1、用信息增益率選擇屬性ID3選擇屬性用的是子樹(shù)的信息增益，這里可以用很多方法來(lái)定義信息
2018-11-06 17:02:30
，統(tǒng)計(jì)參數(shù)就會(huì)從窗口中的樣本中計(jì)算出來(lái)。- 在 MLC 周期開(kāi)始時(shí)，計(jì)算的最后存儲(chǔ)的統(tǒng)計(jì)參數(shù)用于評(píng)估 MLC 決策樹(shù)。- 如果決策樹(shù)結(jié)果發(fā)生變化，則更新樹(shù)值，并產(chǎn)生中斷讓我們以以下情況為例：- 833
2022-12-20 06:45:43
機(jī)器學(xué)習(xí)——決策樹(shù)算法分析
2020-04-02 11:48:38
各種機(jī)器學(xué)習(xí)的應(yīng)用場(chǎng)景分別是什么？例如，k近鄰,貝葉斯，決策樹(shù)，svm，邏輯斯蒂回歸和最大熵模型
2019-09-10 10:53:10
李航統(tǒng)計(jì)學(xué)習(xí)第五章-決策樹(shù)
2020-04-29 15:12:25
的真實(shí)年齡，這就是GBDT算法的原理。GBDT（Gradient Boosting Decision Tree）梯度提升決策樹(shù)算法，其核心思想其實(shí)是一種梯度下降的近似算法，利用損失函數(shù)（擬合殘差）的負(fù)梯度
2019-01-25 15:02:15
分析現(xiàn)有信譽(yù)模型，提出一種使用信任機(jī)制和推薦機(jī)制的P2P 信譽(yù)模型，利用決策樹(shù)思想優(yōu)化該模型。給出一種在分布式P2P 系統(tǒng)中存取全局信任值的方法，解決了單點(diǎn)失效問(wèn)題。實(shí)驗(yàn)
2009-03-24 09:52:04
4 基于授權(quán)謂詞決策的使用控制模型表達(dá)能力較弱。該文給出一種委托憑證模型細(xì)粒度表達(dá)決策結(jié)果，用委托憑證處理過(guò)程的狀態(tài)組合替換原來(lái)的簡(jiǎn)單訪問(wèn)狀態(tài)。決策組件根據(jù)請(qǐng)求時(shí)
2009-03-31 10:10:5410 本文通過(guò)對(duì)模型進(jìn)行Agent封裝，以及模型之間的協(xié)作，將決策算法選擇和算法中系數(shù)的確定問(wèn)題通過(guò)評(píng)價(jià)模型的協(xié)作來(lái)解決，改變了傳統(tǒng)決策者憑經(jīng)驗(yàn)選擇模型算法和算法系數(shù)的確定
2009-09-01 10:54:2012 介紹了決策樹(shù)分類技術(shù)，并用其對(duì)汽車銷售企業(yè)的調(diào)查問(wèn)卷進(jìn)行數(shù)據(jù)分析，挖掘出最近一年內(nèi)有購(gòu)車意愿的客戶的特征，從而提高營(yíng)銷的成功率。證明了決策樹(shù)數(shù)據(jù)挖掘技術(shù)在汽車
2009-09-09 15:49:0813 一個(gè)基于粗集的決策樹(shù)規(guī)則提取算法:摘要：決策樹(shù)是數(shù)據(jù)挖掘任務(wù)中分類的常用方法。在構(gòu)造決策樹(shù)的過(guò)程中，分離屬性的選擇標(biāo)準(zhǔn)直接影響到分類的效果，傳統(tǒng)的決策樹(shù)算法往往
2009-10-10 15:13:3412 基于屬性相似度的決策樹(shù)算法:針對(duì)ID3 算法的多值偏向問(wèn)題，提出一種基于屬性相似度的、能夠避免多值偏向問(wèn)題的ID3 改進(jìn)算法——NewDtree 算法，并應(yīng)用理論分析方法對(duì)NewDtree 算
2009-10-17 23:07:4915 在數(shù)據(jù)挖掘中我們往往會(huì)忽略離群數(shù)據(jù)，可是這些數(shù)據(jù)卻往往包含重要的信息。本文采用了將決策樹(shù)與相異度相結(jié)合的方式進(jìn)行離群數(shù)據(jù)的挖掘。通過(guò)計(jì)算決策樹(shù)中各屬性的信息
2010-01-15 14:28:055 以決策樹(shù)數(shù)據(jù)挖掘分類算法在金融客戶關(guān)系管理（CRM）中的應(yīng)用為例，進(jìn)行了數(shù)據(jù)挖掘的嘗試，從中發(fā)現(xiàn)企業(yè)產(chǎn)品的銷售規(guī)律和客戶群特征，從而提高CRM對(duì)市場(chǎng)活動(dòng)和銷售活動(dòng)的分
2010-08-02 12:18:080 為提高大規(guī)模數(shù)據(jù)集生成樹(shù)的準(zhǔn)確率,提出一種預(yù)生成一棵基于這個(gè)數(shù)據(jù)集的決策樹(shù),采用廣度優(yōu)先遍歷將其劃分為滿足預(yù)定義的限制的數(shù)據(jù)集,再對(duì)各數(shù)據(jù)集按照一定比例進(jìn)行隨機(jī)采樣,最后將采樣結(jié)果整合為目標(biāo)數(shù)據(jù)集的數(shù)據(jù)采樣方法.通過(guò)對(duì)一UCI數(shù)據(jù)集進(jìn)行采樣,并用現(xiàn)
2011-02-14 15:15:150 引入了基于粗糙集理論的屬性約簡(jiǎn)進(jìn)行屬性的降噪和排序處理，然后結(jié)合決策樹(shù)理論的C4.5算法來(lái)對(duì)自診斷電子稱重儀表進(jìn)行分析，取信息增益率最大的結(jié)點(diǎn)作為決策樹(shù)的根，以此使分裂
2011-10-08 14:43:1024 該方法利用決策樹(shù)算法構(gòu)造決策樹(shù),通過(guò)對(duì)分類結(jié)果中主客觀屬性進(jìn)行標(biāo)記并邏輯運(yùn)算,最終得到較客觀的決策信息,并進(jìn)行實(shí)驗(yàn)驗(yàn)證。
2012-02-07 11:38:0326 基于決策樹(shù)學(xué)習(xí)的智能機(jī)器人控制方法！資料來(lái)源網(wǎng)絡(luò)，如有侵權(quán)，敬請(qǐng)見(jiàn)諒
2015-11-30 11:33:4415 關(guān)于決策樹(shù)的介紹，是一些很基礎(chǔ)的介紹，不過(guò)是英文介紹。
2016-09-18 14:55:040 為什么要引入隨機(jī)森林呢。我們知道，同一批數(shù)據(jù)，我們只能產(chǎn)生一顆決策樹(shù)，這個(gè)變化就比較單一了，這就有了集成學(xué)習(xí)的概念。
2017-10-18 17:47:373445 
決策樹(shù)算法最早源于人工智能的機(jī)器學(xué)習(xí)技術(shù)，用以實(shí)現(xiàn)數(shù)據(jù)內(nèi)在規(guī)律的探究和新數(shù)據(jù)對(duì)象的分類預(yù)測(cè)U。由于其出色的數(shù)據(jù)分析能力和直觀易懂的結(jié)果展示等特點(diǎn)，決策樹(shù)成為一種重要的數(shù)據(jù)挖掘技術(shù)。隨著信息化技術(shù)
2017-10-28 12:58:360 路徑最短，從而提升分類的速度和準(zhǔn)確率。通過(guò)實(shí)例對(duì)改進(jìn)算法生成決策樹(shù)產(chǎn)生的結(jié)果分析，表明了該算法生成的決策樹(shù)結(jié)構(gòu)更簡(jiǎn)單，時(shí)間復(fù)雜度更優(yōu)。算法更有效。
2017-11-14 14:08:051 種涉及到的算法進(jìn)行總結(jié)并附上自己相關(guān)的實(shí)現(xiàn)代碼。所有算法代碼以及用于相應(yīng)模型的訓(xùn)練的數(shù)據(jù)都會(huì)放到GitHub上。 本文中我將一步步通過(guò)MLiA的隱形眼鏡處方數(shù)集構(gòu)建決策樹(shù)并使用Graphviz將決策樹(shù)可視化。
2017-11-15 13:10:0414310 
今天，我們介紹機(jī)器學(xué)習(xí)里比較常用的一種分類算法，決策樹(shù)。決策樹(shù)是對(duì)人類認(rèn)知識(shí)別的一種模擬，給你一堆看似雜亂無(wú)章的數(shù)據(jù)，如何用盡可能少的特征，對(duì)這些數(shù)據(jù)進(jìn)行有效的分類。 決策樹(shù)借助了一種層級(jí)分類的概念
2017-11-16 01:50:011429 針對(duì)經(jīng)典C4.5決策樹(shù)算法存在過(guò)度擬合和伸縮性差的問(wèn)題，提出了一種基于Bagging的決策樹(shù)改進(jìn)算法，并基于MapReduce模型對(duì)改進(jìn)算法進(jìn)行了并行化。首先，基于Bagging技術(shù)對(duì)C4.5算法
2017-11-21 11:57:081 目前關(guān)于決策樹(shù)剪枝優(yōu)化方面的研究主要集中于預(yù)剪枝和后剪枝算法。然而，這些剪枝算法通常作用于傳統(tǒng)的決策樹(shù)分類算法，在代價(jià)敏感學(xué)習(xí)與剪枝優(yōu)化算法相結(jié)合方面還沒(méi)有較好的研究成果。基于經(jīng)濟(jì)學(xué)中的效益成本
2017-11-30 10:05:190 樸素貝葉斯法是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。最為廣泛的兩種分類模型是決策樹(shù)模型（Decision Tree Model）和樸素貝葉斯模型（Naive Bayesian Model，NBM）。和決策樹(shù)模型相比，樸素貝葉斯分類器
2017-11-30 17:11:343092 
值不同）采用決策樹(shù)進(jìn)行數(shù)據(jù)挖掘是當(dāng)前研究熱點(diǎn)。本文基于貪心算法的思想，提出了一種非一致決策表的決策樹(shù)分析方法。首先使用多值決策方法處理非一致決策表，將非一致決策表轉(zhuǎn)換成多值決策表（即用一個(gè)集合表示樣本的多個(gè)決策值）然
2017-12-05 14:30:450 決策樹(shù)技術(shù)在數(shù)據(jù)挖掘的分類領(lǐng)域應(yīng)用極其廣泛，可以從普通決策表（每行記錄包含一個(gè)決策值）中挖掘有價(jià)值的信息，但是要從多值決策表（每行記錄包含多個(gè)決策值）中挖掘潛在的信息則比較困難。多值決策表中每行記錄
2017-12-05 15:47:260 圖看起來(lái)非常直觀，并且可以從建樹(shù)的原始數(shù)據(jù)集中挖掘出一些關(guān)鍵的信息，因此決策樹(shù)圖的繪制是非常必要的。本研究從分子生物學(xué)領(lǐng)域中的基因分型決策樹(shù)繪制為實(shí)例，淺談如何使用MALAB語(yǔ)言編譯生成AUTOLISP代碼，從而實(shí)現(xiàn)可變ID3基因
2017-12-07 11:23:031 根據(jù)給定的數(shù)據(jù)集創(chuàng)建一個(gè)決策樹(shù)就是機(jī)器學(xué)習(xí)的課程，創(chuàng)建一個(gè)決策樹(shù)可能會(huì)花費(fèi)較多的時(shí)間，但是使用一個(gè)決策樹(shù)卻非?？臁?chuàng)建決策樹(shù)時(shí)最關(guān)鍵的問(wèn)題就是選取哪一個(gè)特征作為分類特征，好的分類特征能夠最大化
2021-08-27 14:38:5418636 
決策樹(shù)算法是一種最簡(jiǎn)單、最直接、最有效的文本分類算法。最早的決策樹(shù)算法是ID3算法，于1986年由Quinlan提出，該算法是一種基于信息熵的決策樹(shù)分類算法。由于該算法是以信息熵作為屬性選擇的標(biāo)準(zhǔn)
2017-12-12 11:20:550 提前修復(fù)不一致數(shù)據(jù)。直接在不一致數(shù)據(jù)上進(jìn)行分類。是該文的核心研究?jī)?nèi)容，對(duì)決策樹(shù)生成算法的目標(biāo)函數(shù)進(jìn)行改進(jìn)。使其能夠直接對(duì)不一致數(shù)據(jù)進(jìn)行分類，并得到較好的分類結(jié)果．對(duì)約束條件中的特征對(duì)分類結(jié)果的影響進(jìn)行了多
2017-12-26 16:13:020 針對(duì)靜態(tài)算法對(duì)大數(shù)據(jù)和增量數(shù)據(jù)處理不足的問(wèn)題，構(gòu)造了基于粗決策樹(shù)的動(dòng)態(tài)規(guī)則提取算法，并將其應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷中。將粗集與決策樹(shù)結(jié)合，用增量方式實(shí)現(xiàn)樣本抽??；經(jīng)過(guò)動(dòng)態(tài)約簡(jiǎn)、決策樹(shù)構(gòu)造、規(guī)則提取
2017-12-29 14:24:050 針對(duì)當(dāng)前決策樹(shù)算法較少考慮訓(xùn)練集的嘈雜程度對(duì)模型的影響，以及傳統(tǒng)駐留內(nèi)存算法處理海量數(shù)據(jù)困難的問(wèn)題，提出一種基于Hadoop平臺(tái)的不確定概率C4.5算法-IP-C4.5算法。在訓(xùn)練模型
2018-01-13 09:41:380 知識(shí)挖掘方法。，該方法選擇信息增益率最大的屬性作為分割屬性，通過(guò)挖掘數(shù)據(jù)獲取各屬性的最優(yōu)分割點(diǎn)建立門限，利用剪枝策略防止決策樹(shù)過(guò)擬合或深度過(guò)大，最后梳理決策樹(shù)生成故障診斷知識(shí)。通過(guò)對(duì)算例和對(duì)實(shí)際在軌數(shù)據(jù)進(jìn)
2018-02-23 10:50:300 決策樹(shù)主要用來(lái)解決分類和回歸問(wèn)題，但是決策樹(shù)（DT）會(huì)產(chǎn)生過(guò)擬合現(xiàn)象，導(dǎo)致泛化能力變?nèi)?。過(guò)擬合是建立決策樹(shù)模型時(shí)面臨的重要挑戰(zhàn)之一。鑒于決策樹(shù)容易過(guò)擬合的缺點(diǎn)，由美國(guó)貝爾實(shí)驗(yàn)室大牛們提出了采用隨機(jī)森林（RF）投票機(jī)制來(lái)改善決策樹(shù)。
2018-05-30 06:59:002998 決策樹(shù)（DT）是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過(guò)構(gòu)成決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹(shù)的枝干，故稱決策樹(shù)。從數(shù)據(jù)產(chǎn)生決策樹(shù)的機(jī)器學(xué)習(xí)技術(shù)叫做決策樹(shù)學(xué)習(xí)。
2018-05-29 07:12:001801 機(jī)器學(xué)習(xí)中，決策樹(shù)是一個(gè)預(yù)測(cè)模型，它代表的是對(duì)象屬性與對(duì)象值之間的一種映射關(guān)系。樹(shù)中每個(gè)節(jié)點(diǎn)表示某個(gè)對(duì)象，而每個(gè)分叉路徑則代表的某個(gè)可能的屬性值，而每個(gè)葉結(jié)點(diǎn)則對(duì)應(yīng)從根節(jié)點(diǎn)到該葉節(jié)點(diǎn)所經(jīng)歷的路徑
2018-05-28 10:53:253913 
正如你所看到的，決策樹(shù)非常直觀，他們的決策很容易解釋。 這種模型通常被稱為白盒模型。 相反，正如我們將看到的，隨機(jī)森林或神經(jīng)網(wǎng)絡(luò)通常被認(rèn)為是黑匣子模型。 他們做出了很好的預(yù)測(cè)，并且我們可以輕松檢查他們執(zhí)行的計(jì)算以進(jìn)行這些預(yù)測(cè); 然而，通常很難用簡(jiǎn)單的術(shù)語(yǔ)來(lái)解釋為什么會(huì)做出預(yù)測(cè)。
2018-07-16 17:12:0113941 
決策樹(shù)（decision tree）算法基于特征屬性進(jìn)行分類，其主要的優(yōu)點(diǎn)：模型具有可讀性，計(jì)算量小，分類速度快。決策樹(shù)算法包括了由Quinlan提出的ID3與C4.5，Breiman等提出的CART。其中，C4.5是基于ID3的，對(duì)分裂屬性的目標(biāo)函數(shù)做出了改進(jìn)。
2018-07-21 10:13:295369 
“ANT的出發(fā)點(diǎn)與mGBDT類似，都是期望將神經(jīng)網(wǎng)絡(luò)的表示學(xué)習(xí)和決策樹(shù)的特點(diǎn)做一個(gè)結(jié)合，不過(guò)，ANT依舊依賴神經(jīng)網(wǎng)絡(luò)BP算法進(jìn)行的實(shí)現(xiàn)，”馮霽說(shuō)：“而深度森林（gcForest/mGBDT）的目的
2018-07-25 09:39:019057 
近日，來(lái)自愛(ài)丁堡大學(xué)的研究人員提出了一種結(jié)合深度神經(jīng)網(wǎng)絡(luò)和樹(shù)模型的新型模型——深度神經(jīng)決策樹(shù)(Deep Neural Decision Trees, DNDT)。
2018-08-19 09:14:4411858 希望通過(guò)所給的訓(xùn)練數(shù)據(jù)學(xué)習(xí)一個(gè)貸款申請(qǐng)的決策樹(shù)，用于對(duì)未來(lái)的貸款申請(qǐng)進(jìn)行分類，即當(dāng)新的客戶提出貸款申請(qǐng)時(shí)，根據(jù)申請(qǐng)人的特征利用決策樹(shù)決定是否批準(zhǔn)貸款申請(qǐng)。
2018-10-08 14:26:095616 今天為大家介紹一項(xiàng)國(guó)家發(fā)明授權(quán)專利——基于決策樹(shù)算法的電能表故障預(yù)測(cè)方法。該專利由國(guó)電南瑞科技股份有限公司申請(qǐng)，并于2018年11月30日獲得授權(quán)公告。
2018-12-17 11:40:351538 
C4.5算法：基于ID3算法的改進(jìn)，主要包括：使用信息增益率替換了信息增益下降度作為屬性選擇的標(biāo)準(zhǔn)；在決策樹(shù)構(gòu)造的同時(shí)進(jìn)行剪枝操作；避免了樹(shù)的過(guò)度擬合情況；可以對(duì)不完整屬性和連續(xù)型數(shù)據(jù)進(jìn)行處理，提升了算法的普適性。
2019-02-04 09:45:0010307 
針對(duì)異常檢測(cè)中異常數(shù)據(jù)與正常數(shù)據(jù)的比例嚴(yán)重不平衡導(dǎo)致決策樹(shù)性能下降的問(wèn)題，提出了C4.5決策樹(shù)的三種改進(jìn)方法一C4.5 +δ、均勻分布熵（ UDE）和改進(jìn)分布熵函數(shù)（IDEF）。首先，推導(dǎo)了C4.5
2019-03-27 10:56:0617 針對(duì)奶牛行為分類過(guò)程中決策樹(shù)算法構(gòu)建主觀性強(qiáng)、閾值選取無(wú)確定規(guī)則，易導(dǎo)致分類精度差的問(wèn)題，該文提出一種基于最優(yōu)二叉決策樹(shù)分類模型的奶牛運(yùn)動(dòng)行為識(shí)別方法，首先選取描述奶牛腿部三軸加速度數(shù)值大小、對(duì)稱性
2019-04-24 08:00:000 我們知道決策樹(shù)容易過(guò)擬合。換句話說(shuō)，單個(gè)決策樹(shù)可以很好地找到特定問(wèn)題的解決方案，但如果應(yīng)用于以前從未見(jiàn)過(guò)的問(wèn)題則非常糟糕。俗話說(shuō)三個(gè)臭皮匠賽過(guò)諸葛亮，隨機(jī)森林就利用了多個(gè)決策樹(shù)，來(lái)應(yīng)對(duì)多種不同場(chǎng)景。
2019-04-19 14:38:027526 
決策樹(shù)（Decision Tree）是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過(guò)構(gòu)成決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。
2020-01-19 17:06:007325 決策樹(shù)模型是白盒模型的一種，其預(yù)測(cè)結(jié)果可以由人來(lái)解釋。我們把機(jī)器學(xué)習(xí)模型的這一特性稱為可解釋性，但并不是所有的機(jī)器學(xué)習(xí)模型都具有可解釋性。
2020-07-06 09:49:063073 
決策樹(shù)易于理解和解釋，可以可視化分析，容易提取出規(guī)則。
2020-08-27 09:50:0716400 決策樹(shù)是一種解決分類問(wèn)題的算法，決策樹(shù)算法采用樹(shù)形結(jié)構(gòu)，使用層層推理來(lái)實(shí)現(xiàn)最終的分類。
2020-08-27 09:52:483753 像上面的這樣的二叉樹(shù)狀決策在我們生活中很常見(jiàn)，而這樣的選擇方法就是決策樹(shù)。機(jī)器學(xué)習(xí)的方法就是通過(guò)平時(shí)生活中的點(diǎn)點(diǎn)滴滴經(jīng)驗(yàn)轉(zhuǎn)化而來(lái)的。
2020-10-10 10:44:192316 
決策樹(shù)是機(jī)器學(xué)習(xí)中使用的最流行和功能最強(qiáng)大的分類算法之一。顧名思義，決策樹(shù)用于根據(jù)給定的數(shù)據(jù)集做出決策。也就是說(shuō)，它有助于選擇適當(dāng)?shù)奶卣饕詫?shù)分成類似于人類思維脈絡(luò)的子部分。
2021-01-13 09:37:411207 
本文將介紹決策樹(shù)的基本概念、決策樹(shù)學(xué)習(xí)的3個(gè)步驟、3種典型的決策樹(shù)算法、決策樹(shù)的10個(gè)優(yōu)缺點(diǎn)。
2021-01-27 10:03:202145 
所有的機(jī)器學(xué)習(xí)算法中，決策樹(shù)應(yīng)該是最友好的了。它呢，在整個(gè)運(yùn)行機(jī)制上可以很容易地被翻譯成人們能看懂的語(yǔ)言，也因此被歸為“白盒模型”。
2021-01-29 09:36:407100 
在決策樹(shù)中，可能有多個(gè)特征，但是一些特征是無(wú)關(guān)重要的，一些則是對(duì)分類（target）起到?jīng)Q定作用的。
2021-02-18 10:06:293815 
決策樹(shù)（DecisionTree）是機(jī)器學(xué)習(xí)中一種常見(jiàn)的算法，它的思想非常樸素，就像我們平時(shí)利用選擇做決策的過(guò)程。決策樹(shù)是一種基本的分類與回歸方法，當(dāng)被用于分類時(shí)叫做分類樹(shù)，被用于回歸時(shí)叫做回歸樹(shù)。
2021-03-04 10:11:137773 多粒度決策粗糙集是從多角度來(lái)處理不確定數(shù)據(jù)和風(fēng)險(xiǎn)決策問(wèn)題的重要模型。針對(duì)不完備信息系統(tǒng)下的決策分析問(wèn)題，在多粒度決策粗糙集中引入集對(duì)優(yōu)勢(shì)關(guān)系，對(duì)優(yōu)勢(shì)度進(jìn)行了改進(jìn)，使結(jié)果更加合理。然后對(duì)多粒度近似空間
2021-04-20 10:59:297 為提高心電信號(hào)分類識(shí)別的準(zhǔn)確率，提出一種基于時(shí)頻特征融合與動(dòng)態(tài)模糊決策樹(shù)的心電信號(hào)分類識(shí)別方法。對(duì)心電信號(hào)依次進(jìn)行周期分割、小波包分解與重構(gòu)和形態(tài)識(shí)別處理，將小波包變換系數(shù)矩陣的二范數(shù)作為頻域特征
2021-05-28 10:34:4811 多類分類問(wèn)題的實(shí)際應(yīng)用中，在決策對(duì)象的認(rèn)識(shí)由粗粒度向細(xì)粒度轉(zhuǎn)化時(shí)，通過(guò)使用粒結(jié)構(gòu)，提出種基于多類分類的序貫三攴決策模型。在此基礎(chǔ)上，使用該模型非増量的方法計(jì)算序貫三支決策的時(shí)間開(kāi)銷較大，針對(duì)決策
2021-06-04 14:33:280 為優(yōu)化針對(duì)非均衡數(shù)據(jù)的分類效果，結(jié)合猶豫模糊集理論與決策樹(shù)算法，提出一種改進(jìn)的模糊決策樹(shù)算法。通過(guò) SMOTE算法對(duì)非均衡數(shù)據(jù)進(jìn)行過(guò)采樣處理，使用K- means聚類方法獲得各屬性的聚類中心點(diǎn)，利用
2021-06-09 15:51:475 針對(duì)中國(guó)傳統(tǒng)的手游產(chǎn)業(yè)發(fā)展存在主題識(shí)別不精準(zhǔn)，缺乏利用數(shù)據(jù)挖掘和可視化分析方法等問(wèn)題，文中提出了一種基于文本挖掘和決策樹(shù)（ Desision tree）分析的中國(guó)手游產(chǎn)業(yè)發(fā)展研究方法，從多方面分析
2021-06-17 16:16:334 基于遺傳優(yōu)化決策樹(shù)的建筑能耗預(yù)測(cè)模型
2021-06-27 16:19:136 大數(shù)據(jù)————決策樹(shù)（decision tree） 決策樹(shù)（decision tree）：是一種基本的分類與回歸方法，主要討論分類的決策樹(shù)。 在分類問(wèn)題中，表示基于特征對(duì)實(shí)例進(jìn)行分類的過(guò)程，可以
2022-10-20 10:01:36822 本文主要介紹基于集成學(xué)習(xí)的決策樹(shù)，其主要通過(guò)不同學(xué)習(xí)框架生產(chǎn)基學(xué)習(xí)器，并綜合所有基學(xué)習(xí)器的預(yù)測(cè)結(jié)果來(lái)改善單個(gè)基學(xué)習(xí)器的識(shí)別率和泛化性。
2023-02-17 15:52:09484 
電子發(fā)燒友網(wǎng)站提供《決策樹(shù)引擎解決方案.pdf》資料免費(fèi)下載
2023-09-13 11:17:520 本文將繼續(xù)修煉回歸模型算法，并總結(jié)了一些常用的除線性回歸模型之外的模型，其中包括一些單模型及集成學(xué)習(xí)器。 保序回歸、多項(xiàng)式回歸、多輸出回歸、多輸出K近鄰回歸、決策樹(shù)回歸、多輸出決策樹(shù)回歸
2023-11-03 10:39:49252 
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評(píng)論