首页
学习
活动
专区
工具
TVP
发布
社区首页 >问答首页 >机器学习中集成方法/决策树的决策边界是如何生成的?

机器学习中集成方法/决策树的决策边界是如何生成的?
EN

Stack Overflow用户
提问于 2019-04-14 21:40:22
回答 1查看 159关注 0票数 1

决策树的工作原理是在每个节点上拆分训练子集,遍历根到叶节点,直到我们得到分类/回归结果。

但是实际的决策边界(权重)是如何计算的呢?我们使用成本函数在每个节点上执行拆分。这个代价函数也能帮助我们找到权重吗?

例如,为了构建AdaBoost分类器,训练第一个基本分类器(例如决策树),并使用该分类器对训练集进行预测。然后增加错误分类的训练实例的相对权重。第二个分类器使用更新的权重进行训练,并再次对训练集进行预测,更新权重,依此类推。

这个相对权重是如何计算的?

EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/55675917

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档