全部课程 > Python+人工智能 > 多分类、决策树分类、随机森林分类

授课机构:速学堂

多分类、决策树分类、随机森林分类

决策树(Decision Tree)是在已知各种情况发生概率的基础上

价      格¥29

优惠活动   无

特色服务 社区交流 24H答疑 作业批改 系统化学习 资料下载
选择班次

报班即学,有效期320天

课程简介

  决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度,使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念


适合人群

  l 适合零基础学人工智能语言的初学者

  l 想转行进入人工智能行业的工作人员

  l 想要了解人工智能开发的前景人员

课程亮点

  在机器学习中,随机森林是一个包含多个决策树的分类器, 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。 而 "Random Forests" 是他们的商标。 这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合 Breimans 的 "Bootstrap aggregating" 想法和 Ho 的"random subspace method"以建造决策树的集合

主讲内容

  00_机器学习有监督无监督

  01_逻辑回归多分类图示理解_逻辑回归和Softmax区别

  02_Softmax图示详解_梯度下降法整体调参

  03_评估指标_K折交叉验证

  04_决策树介绍

  05_随机森林_优缺点_对比逻辑回归_剪枝

  06_决策树_随机森林_sklearn代码调用

猜您喜欢

我知道了

现在就与学习导师聊一聊

北京总部地址:北京市海淀区西三旗街道建材城西路中腾建华商务大厦东侧二层尚学堂

咨询电话:400-009-1906 010-56233821

Copyright 2007-2019 北京尚学堂科技有限公司 京ICP备13018289号-1 京公网安备11010802015183