刷网站seo排名软件,有备案号的网站是公司的吗,最新新闻热点事件2023,wordpress服务框决策树优点 1. 易于理解和解释#xff0c;因为树木可以画出来被看见 2. 需要很少的数据准备。其他很多算法通常都需要数据规范化#xff0c;需要创建虚拟变量并删除空值等。但请注意#xff0c; sklearn中的决策树模块不支持对缺失值的处理。 3. 使用树的成本#xff08;比…决策树优点 1. 易于理解和解释因为树木可以画出来被看见 2. 需要很少的数据准备。其他很多算法通常都需要数据规范化需要创建虚拟变量并删除空值等。但请注意 sklearn中的决策树模块不支持对缺失值的处理。 3. 使用树的成本比如说在预测数据的时候是用于训练树的数据点的数量的对数相比于其他算法这是 一个很低的成本。 4. 能够同时处理数字和分类数据既可以做回归又可以做分类。其他技术通常专门用于分析仅具有一种变量类 型的数据集。 5. 能够处理多输出问题即含有多个标签的问题注意与一个标签中含有多种标签分类的问题区别开 6. 是一个白盒模型结果很容易能够被解释。如果在模型中可以观察到给定的情况则可以通过布尔逻辑轻松 解释条件。相反在黑盒模型中例如在人工神经网络中结果可能更难以解释。 7. 可以使用统计测试验证模型这让我们可以考虑模型的可靠性。 8. 即使其假设在某种程度上违反了生成数据的真实模型也能够表现良好。决策树的缺点 1. 决策树学习者可能创建过于复杂的树这些树不能很好地推广数据。这称为过度拟合。修剪设置叶节点所 需的最小样本数或设置树的最大深度等机制是避免此问题所必需的而这些参数的整合和调整对初学者来说 会比较晦涩 2. 决策树可能不稳定数据中微小的变化可能导致生成完全不同的树这个问题需要通过集成算法来解决。 3. 决策树的学习是基于贪婪算法它靠优化局部最优每个节点的最优来试图达到整体的最优但这种做法 不能保证返回全局最优决策树。这个问题也可以由集成算法来解决在随机森林中特征和样本会在分枝过 程中被随机采样。 4. 有些概念很难学习因为决策树不容易表达它们例如XOR奇偶校验或多路复用器问题。 5. 如果标签中的某些类占主导地位决策树学习者会创建偏向主导类的树。因此建议在拟合决策树之前平衡 数据集。
