十五、机器学习中的决策树和随机森林算法
【摘要】 @Author:Runsen
决策树是解决分类和回归问题的一种常见的算法。决策树算法采用树形结构,每一次选择最优特征,来实现最终的分类,因此决策树是一种递归的算法。但是,决策树很容易产生过拟合现象,最常见的处理方法进行剪枝的处理和限制决策树的深度。随机森林,是由多棵决策树集成,因此随机森林一种基于树的模型集成学习方法,下面,将详细介绍决策树和随机森林算法。
决策树 ...
@Author:Runsen
决策树是解决分类和回归问题的一种常见的算法。决策树算法采用树形结构,每一次选择最优特征,来实现最终的分类,因此决策树是一种递归的算法。但是,决策树很容易产生过拟合现象,最常见的处理方法进行剪枝的处理和限制决策树的深度。随机森林,是由多棵决策树集成,因此随机森林一种基于树的模型集成学习方法,下面,将详细介绍决策树和随机森林算法。
决策树
决策树最重要的是选择特征,这个选择特征的标准就是依靠熵而定。因此,学习决策树前,需要介绍决策树中的熵,其中包括信息熵、条件熵、联合熵和互信息。
信息熵
在了解信息熵之前,需要知道信息量。信息量是通过概率来定义的:如果某一件事情的发生的概率很低,那么它的信息量就很大;同样的道理,如果一件事情的概率很高,它的信息量就很低。简而言之,概率小的事件信息量大,因此信息量可以由计算公式计算,公式如下: 信 息 量 = l o g 2
文章来源: maoli.blog.csdn.net,作者:刘润森!,版权归原作者所有,如需转载,请联系作者。
原文链接:maoli.blog.csdn.net/article/details/113393760
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)