首页
学习
活动
专区
工具
TVP
发布
首页标签决策树

#决策树

决策树由一个决策图和可能的结果(包括资源成本和风险)组成, 用来创建到达目标的规划。决策树建立并用来辅助决策,是一种特殊的树结构。

机器学习中的10种非线性降维技术对比总结

deephub

Random Trees Embedding是一种基于树的降维技术,常用于将高维数据映射到低维空间。它利用了随机森林(Random Forest)的思想,通过构...

7110

深入了解LightGBM:模型解释与可解释性

人类群星闪耀时

LightGBM是一种高效的梯度提升决策树算法,但其黑盒性质使得理解模型变得困难。为了提高模型的可解释性,我们需要一些技术来解释模型的预测结果和特征重要性。本教...

11410

FastAI 之书(面向程序员的 FastAI)(四)

ApacheCN_飞龙

决策树集成,顾名思义,依赖于决策树。所以让我们从那里开始!决策树对数据提出一系列关于数据的二元(是或否)问题。在每个问题之后,树的那部分数据在“是”和“否”分支...

19610

【机器学习】决策树(理论与代码)

读书猿

信息增益Gain(D)= 根节点信息熵(X) - 权重*分支节点信息熵和(Y)= X - Y

8110

Google Earth Engine(GEE)——2015-2019年全球生境类型分类数据集(量化物种的栖息地面积)

此星光明

生境类型的全球地图 我们对国际自然保护联盟(IUCN)栖息地分类计划中定义的陆地和海洋栖息地类型进行了全球空间上的明确描述,该计划被广泛用于生态学分析,包括量...

9210

基于MODIS数据的2000-2021年中国植被生物量数据集

此星光明

随机森林是一种常用的机器学习算法,可用于生物量估算。它通过构建多个决策树来实现生物量估算,并通过随机抽样和特征选择来提高模型的预测精度。

10010

Google Earth Engine——300米的空间分辨率提供了2010年地面和地下生物质碳密度的时间一致性和统一的全球地图,地面生物量地图整合了针对土地覆盖的木质、草原、耕地和苔原生物量的遥感

此星光明

This dataset provides temporally consistent and harmonized global maps of aboveg...

9110

Google Earth Engine ——MOD44W V6陆地/水面掩膜250米产品是使用用MODIS数据

此星光明

MOD44W V6陆地/水面掩膜250米产品是使用用MODIS数据训练的决策树分类器得出的,并通过MOD44W V5产品进行验证。一系列的掩膜被应用于解决由地形...

6310

AI Earth ——开发者模式案例6:决策树模型实现冬小麦提取

此星光明

依据作物在不同物候期内卫星影像的光谱存在差异的特征,可建立冬小麦提取算法,进行像元尺度冬小麦提取。这里同样是使用的NDVI作为阈值提取条件,分别使用不同的聚合方...

7710

Google Earth Engine ——数据全解析专辑(Canada AAFC Annual Crop Inventory)

此星光明

Starting in 2009, the Earth Observation Team of the Science and Technology Branc...

5410

SPSS Modeler决策树分类模型分析商店顾客消费商品数据

拓端

随着大数据时代的来临,数据挖掘和分析在商业决策中扮演着越来越重要的角色。商店的顾客消费行为数据是商业决策的关键信息之一,通过对这些数据的深入分析,可以更好地理解...

8010

机器学习第15天:GBDT模型

Nowl

传统的集成学习训练过程中,分类器之间不会有任何联系,模型各自独立训练最后结合得出结果

7010

机器学习第9天:决策树分类

Nowl

假如有小明,小红和小张三个人,我们知道他们的身高体重,要通过身高体重来判断是哪个人,决策树算法会构建一个二叉树,逐级判断,如下

6810

回归模型最强总结!!

Python编程爱好者

决策树回归是一种基于树结构的回归模型,它通过对输入空间进行递归的划分,将每个划分区域内的样本的目标值取平均值作为预测值。以下是决策树回归的详细原理和核心公式。

17910

使用GBDT算法实现敏感词匹配

Lvshen

GBDT(Gradient Boosting Decision Tree),全名叫梯度提升决策树,是一种迭代的决策树算法,又叫 MART(Multiple Ad...

14310

风控策略:客户分群策略详解

Python数据科学

比较常用的方法是通过有监督机器学习的决策树算法进行划分,因为决策树的分裂原理是选取信息增益最大的变量,即区分度最好的变量,我们称为关键变量。

17400

Numpy 实现基尼指数算法的决策树

小小程序员

23921

Numpy 实现C4.5决策树

小小程序员

17011

Numpy 实现ID3决策树

小小程序员

13110

决策树 基尼系数算法

小小程序员

20110
领券