作者： louyu

前面的文章讨论的都是用决策树解决分类问题：模型参数训练结束后，对每个“叶子”节点的样本数据进行投票，规定数量最多的样本的类型为该“叶子”的预测类型。其实用决策树解决回归问题的思路也很类似，本文就简单探讨一下，并总结决策树的局限性。 阅读全文

上文我们讨论了决策树的基本概念，并且利用信息熵和基尼系数两种方式来模拟决策树的划分。其实之前我们实现的决策树又叫 CART(Classification And Regression Tree)。本文我们就来讨论一下 CART 以及 CART 的一些常用的超参数。 阅读全文

决策树(Decision Tree)是一种非参数的监督学习算法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。下面我们就来简单讨论一下决策树的基本概念。 阅读全文

上一篇文章我们提到在某些场景中我们更加看重精准率，某些场景我们更加看重召回率，而某些场景需要同时考虑这两者，希望这两者越大越好。其实同时追求精准率和召回率是不现实的，精准率和召回率是互相矛盾的，这时我们就要在两者间取得平衡。 阅读全文