Trees notes (06) (Cây quyết định trong Máy học) - Sebastian Raschka
- ページ数
- 18
- 形式
- サイズ
- 1.4 MB
- 年
- 2018
- Trường
- University Wisconsin-Madison
- 閲覧数
- 0
- コメント
- 0
- Lượt tải
- 0
プレビューを生成中...
Ghi chú bài giảng về cây quyết định (decision trees) trong khóa học Máy học, bao gồm thuật toán, độ đo (entropy, Gini), cắt tỉa và cây hồi quy.
- ドキュメント名
- Trees notes (06) (Cây quyết định trong Máy học) - Sebastian Raschka
- 学校 / コース
- University Wisconsin-Madison · Machine learning
- 内容
- Tài liệu cung cấp kiến thức chi tiết về Cây quyết định, từ khái niệm cơ bản, thuật ngữ, các thuật toán chính (ID3, C4.5, CART), đến các phương pháp đo lường hiệu quả và xử lý overfitting, cùng ứng dụng trong bài toán hồi quy.
- 目次
- 6 Decision Trees
- 6.1 Introduction
- 6.1.1 Terminology
- 6.1.2 Machine Learning Categories
- 6.1.3 Relationship Between Decision Trees and Rule-based Learning
- 6.2 Divide-and-Conquer and Recursion
- 6.3 General Decision Tree Algorithm
- 6.4 Time Complexity
- 6.5 ID3, C4.5, CART
- 6.5.1 General Differences
- 6.5.2 ID3 – Iterative Dichotomizer 3
- 6.5.3 C4.5
- 6.5.4 CART
- 6.5.5 Others
- 6.6 Information Gain
- 6.7 Information Theory and Entropy
- 6.8 Why Growing Decision Trees via Entropy or Gini Impurity instead of Misclassification Error?
- 6.9 Gini Impurity
- 6.10 Improvements
- 6.10.1 Grain Ratio
- 6.11 Overfitting
- 6.11.1 Pre-Pruning
- 6.11.2 Post-Pruning
- 6.12 Decision Tree for Regression
- 6.13 Summary
- 6.13.1 Pros and Cons of Decision Trees
- ページ数
- 18 ページ
- アップロード者
- Uni24h
説明
Trích nội dung tài liệu
STAT 479: Machine Learning Lecture Notes Sebastian Raschka Department of Statistics University of Wisconsin–Madison http://stat.wisc.edu/∼sraschka/teaching/stat479-fs2018/ Fall 2018 Contents 6 Decision Trees 6.1 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 6.1.1 Terminology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 6.1.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . . . 2 6.1.3 Relationship Between Decision Trees and Rule-based Learning . . . . 2 6.2 Divide-and-Conquer and Recursion . . . . . . . . . . . . . . . . . . . . . . . . 3 6.3 General Decision Tree Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 4 6.4 Time Complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 6.5 ID3, C4.5, CART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6.5.1 General Differences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6.5.2 ID3 – Iterative Dichotomizer 3 . . . . . . . . . . . . . . . . . . . . . . 6 6.5.3 C4.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 6.5.4 CART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 6.5.5 Others . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 6.6 Information Gain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 6.7 Information Theory and Entropy . . . . . . . . . . . . . . . . . . . . . . . . . 8 6.8 Why Growing Decision Trees via Entropy or Gini Impurity instead of Misclassification Error? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 6.9 Gini Impurity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 6.10 Improvements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 6.10.1 Grain Ratio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 6.1
よくある質問
このドキュメントは無料ですか？
はい。「Trees notes (06) (Cây quyết định trong Máy học) - Sebastian Raschka」は無料です。ログインして「ダウンロード」をクリックするだけで、元のファイルを取得できます。
このドキュメントは何ページありますか？
このドキュメントは 18 ページあります（Machine learning コース用）。ダウンロードする前にオンラインでプレビューできます。
ダウンロードする前にプレビューできますか？
はい。このページにあるオンラインリーダーでドキュメントをプレビューし、その後ダウンロードするかどうかを決めることができます。
Trees notes (06) (Cây quyết định trong Máy học) - Sebastian Raschka
プレビューを生成中...
Trích nội dung tài liệu
STAT 479: Machine Learning Lecture Notes Sebastian Raschka Department of Statistics University of Wisconsin–Madison http://stat.wisc.edu/∼sraschka/teaching/stat479-fs2018/ Fall 2018 Contents 6 Decision Trees 6.1 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 6.1.1 Terminology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 6.1.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . . . 2 6.1.3 Relationship Between Decision Trees and Rule-based Learning . . . . 2 6.2 Divide-and-Conquer and Recursion . . . . . . . . . . . . . . . . . . . . . . . . 3 6.3 General Decision Tree Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 4 6.4 Time Complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 6.5 ID3, C4.5, CART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6.5.1 General Differences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6.5.2 ID3 – Iterative Dichotomizer 3 . . . . . . . . . . . . . . . . . . . . . . 6 6.5.3 C4.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 6.5.4 CART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 6.5.5 Others . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 6.6 Information Gain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 6.7 Information Theory and Entropy . . . . . . . . . . . . . . . . . . . . . . . . . 8 6.8 Why Growing Decision Trees via Entropy or Gini Impurity instead of Misclassification Error? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 6.9 Gini Impurity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 6.10 Improvements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 6.10.1 Grain Ratio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 6.1
- ドキュメント名
- Trees notes (06) (Cây quyết định trong Máy học) - Sebastian Raschka
- 学校 / コース
- University Wisconsin-Madison · Machine learning
- 内容
- Tài liệu cung cấp kiến thức chi tiết về Cây quyết định, từ khái niệm cơ bản, thuật ngữ, các thuật toán chính (ID3, C4.5, CART), đến các phương pháp đo lường hiệu quả và xử lý overfitting, cùng ứng dụng trong bài toán hồi quy.
- 目次
- 6 Decision Trees
- 6.1 Introduction
- 6.1.1 Terminology
- 6.1.2 Machine Learning Categories
- 6.1.3 Relationship Between Decision Trees and Rule-based Learning
- 6.2 Divide-and-Conquer and Recursion
- 6.3 General Decision Tree Algorithm
- 6.4 Time Complexity
- 6.5 ID3, C4.5, CART
- 6.5.1 General Differences
- 6.5.2 ID3 – Iterative Dichotomizer 3
- 6.5.3 C4.5
- 6.5.4 CART
- 6.5.5 Others
- 6.6 Information Gain
- 6.7 Information Theory and Entropy
- 6.8 Why Growing Decision Trees via Entropy or Gini Impurity instead of Misclassification Error?
- 6.9 Gini Impurity
- 6.10 Improvements
- 6.10.1 Grain Ratio
- 6.11 Overfitting
- 6.11.1 Pre-Pruning
- 6.11.2 Post-Pruning
- 6.12 Decision Tree for Regression
- 6.13 Summary
- 6.13.1 Pros and Cons of Decision Trees
- ページ数
- 18 ページ
- アップロード者
- Uni24h
コメント (0)
まだコメントはありません。最初のコメントを書きましょう！
Feat extract slides (14) (Giảm chiều dữ liệu, tập trung vào trích xuất đặc trưng) - Sebastian Raschka
Eval intro slides (08) (Đánh giá mô hình, overfitting và underfitting, phân rã bias-variance trong Máy học) - Sebastian Raschka
Machine learning tips and tricks (Tổng hợp mẹo về học máy)
Eval ci slides (09) (Đánh giá mô hình, tập trung vào khoảng tin cậy) - Sebastian Raschka
Eval algo notes (11) (Các kiểm định thống kê và so sánh thuật toán) - Sebastian Raschka
Tổng hợp Đề Toán 5 - Luyện thi vào Lớp 6 - CLB EMath
Bài giảng vật lý đại cương (Chương 3) - Đỗ Ngọc Uấn
Chương 8.Nguyên tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 7.Cơ học lượng tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 6.Quang học lượng tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
コメント (0)
まだコメントはありません。最初のコメントを書きましょう！