决策树 - 版本历史

2022年1月7日 (五) 11:23 薄荷

2022-01-07T11:23:49Z

2022年1月7日 (五) 11:20 薄荷

2022-01-07T11:20:52Z

是趣木木呀：/* 引言 */

2022-01-04T07:07:15Z

引言

薄荷：/* 编者推荐 */

2021-12-30T11:43:00Z

编者推荐

薄荷：/* 经过Kass调整（Bonferroni界调整）的对数价值准则 */

2021-12-30T11:38:03Z

经过Kass调整（Bonferroni界调整）的对数价值准则

薄荷：/* 建立用于分支函数选择的函数集合 */

2021-12-30T11:35:29Z

建立用于分支函数选择的函数集合

薄荷：/* 建立用于分支函数选择的函数集合 */

2021-12-30T11:35:12Z

建立用于分支函数选择的函数集合

薄荷：/* 建立用于分支函数选择的函数集合 */

2021-12-30T11:34:57Z

建立用于分支函数选择的函数集合

薄荷：/* 建立用于分支函数选择的函数集合 */

2021-12-30T11:33:11Z

建立用于分支函数选择的函数集合

薄荷：/* 建立用于分支函数选择的函数集合 */

2021-12-30T11:32:04Z

建立用于分支函数选择的函数集合

@@ 第3行： / 第3行： @@
 |description=决策树
 }}
-[[File:DecisionTree2.png|300px|thumb]]
+[[File:DecisionTree2_2.png|300px|thumb]]
 =引言=
 如果突然问你"有一个陌生人叫X,Ta今天需要带伞吗?", 你一定会觉得这个问题就像告诉你"两千米外有一个超市,问超市里面有多少卷卫生纸"一样突兀. 可能几秒钟之后你会说"这要依情况而定, 如果今天烈日炎炎并且X是一个皮肤白皙的中国姑娘,或者外面下着大雨并且X是一个不得不去步行上班的屌丝码农, 那么Ta今天需要带伞, 否则不要."
@@ 第51行： / 第51行： @@
 # 假设是三分类问题, 该叶节点上所有类别的后验概率是 (0.1, 0.7, 0.2), 那么该决策树预测输入样本属于第二类.
-[[File:DecisionTree2.png]]
+[[File:DecisionTree2_2.png]]

@@ 第3行： / 第3行： @@
 |description=决策树
 }}
-[[File:DecisionTree2.png|thumb]]
+[[File:DecisionTree2.png|300px|thumb]]
 =引言=
 如果突然问你"有一个陌生人叫X,Ta今天需要带伞吗?", 你一定会觉得这个问题就像告诉你"两千米外有一个超市,问超市里面有多少卷卫生纸"一样突兀. 可能几秒钟之后你会说"这要依情况而定, 如果今天烈日炎炎并且X是一个皮肤白皙的中国姑娘,或者外面下着大雨并且X是一个不得不去步行上班的屌丝码农, 那么Ta今天需要带伞, 否则不要."

←上一版本		2022年1月4日 (二) 07:07的版本
第8行：		第8行：


−	当谈及这个看似无聊的问题的时候我们在谈什么？恩，在谈方法. 我们经常会遇到简单但又困难的抉择. 说简单,是因为候选方案简单而且清晰. 例如,要不要出国留学,要不要辞职创业,要不要投资黄金等等. 但是这些看似简单的选项背后却是困难的抉择. 面对这些困难的抉择, 一开始, 很可能不知所措. 值得庆幸的是, 很多时候, 这些看似不可能解决的问题, 最终可以被化解成一连串越来越简单的问题, 然后解决掉. 这个方法可以粗俗总结为: "如果这样这样这样, 那么选择A; 如果那样那样那样, 那么选择B", 当然这种方法有一个更加简洁形象的名字--'''决策树 Decision Tree''', ~~也就是这篇文章的主题~~.	+	当谈及这个看似无聊的问题的时候我们在谈什么？恩，在谈方法. 我们经常会遇到简单但又困难的抉择. 说简单,是因为候选方案简单而且清晰. 例如,要不要出国留学,要不要辞职创业,要不要投资黄金等等. 但是这些看似简单的选项背后却是困难的抉择. 面对这些困难的抉择, 一开始, 很可能不知所措. 值得庆幸的是, 很多时候, 这些看似不可能解决的问题, 最终可以被化解成一连串越来越简单的问题, 然后解决掉. 这个方法可以粗俗总结为: "如果这样这样这样, 那么选择A; 如果那样那样那样, 那么选择B", 当然这种方法有一个更加简洁形象的名字--'''决策树 Decision Tree''', 也就是该词条的主题.

@@ 第463行： / 第463行： @@
 ==编者推荐==
 ===集智课程===
-====[]====
+====[https://campus.swarma.org/course/1390 监督式学习（三）：KNN 和决策树]====

@@ 第280行： / 第280行： @@
 <math>
-m=\left\{\begin{array}{ll} C_{L-1}^{B-1} \mbox{ , when X is Ordinal/Interval} & \\
+m=\left\{\begin{array}{ll} C_{L-1}^{B-1} \mbox{ , 当 X 是顺序/间隔} & \\
-  S(L,B) \mbox{ , when X is Nominal} & \end{array}\right.
+  S(L,B) \mbox{ , 当X为名义值时} & \end{array}\right.
 </math>
@@ 第299行： / 第299行： @@
 <math>\Delta Gini=0.197, \Delta H=0.504, \mbox{Logworth}=140, m=96, \mbox{Adjusted Logworth}=138</math>
 ===回归树损失函数===

@@ 第119行： / 第119行： @@
 X是列名型变量，取值为<math>\{1,2,...,9\}</math>，水平之间不存在排序关系。若函数形式为
-[[File:59e446ab546c5f345852013a715bf2ae.png|100px]]
+[[File:59e446ab546c5f345852013a715bf2ae.png|80px]]
 一个观测点依据变量X的取值除以3的余数来选择究竟要进入0，1，2分支中的哪一个。因为原变量是无序的，分支也自然无法定义有序，此函数为一个合理的分支函数。

←上一版本		2021年12月30日 (四) 11:32的版本
第192行：		第192行：

	于是，依次比较了<math>L(L-1)/2</math>，<math>(L-1)(L-2)/2</math>，...，<math>1</math>个，一共<math>(L+1)L(L-1)/6</math>个备择模型，得到分支数分别为<math>L,L-1,....,1</math>的各1个模型（共<math>L</math>个）从中选取最优。		于是，依次比较了<math>L(L-1)/2</math>，<math>(L-1)(L-2)/2</math>，...，<math>1</math>个，一共<math>(L+1)L(L-1)/6</math>个备择模型，得到分支数分别为<math>L,L-1,....,1</math>的各1个模型（共<math>L</math>个）从中选取最优。
		+
		+	</br>

	===选择最优分支函数===		===选择最优分支函数===