当访问决策树中节点的tree_.threshold时，类型似乎是float。有没有办法将阈值的“精度”设置为整型？在我的例子中，这些特征都是整数值，因此不需要对以这种精度定义的值进行拆分。
浏览 7提问于2017-06-14得票数 1
回答已采纳
是否有可能从数据中学习二元决策图(BDD)(就像以机器学习的方式一样)？如果是这样的话，是怎么做的？背景:我在Python语言中看到过一些工具来完成这项任务，例如，使用scikit-learn的决策树(DTs)，但我还没有看到任何用于BDD的工具。 举个例子，我想做的事情如下： ? N对应于计数，例如，您可以使用后者来计算精度。请注意，这不是cut sets矩阵。在中间，您会
浏览 54提问于2021-02-12得票数 1
我在Spark MLlib中使用Scala中的决策树。是否有一个实现的方法可以返回每个样本被预测为的叶的索引？非常感谢。
浏览 0提问于2018-04-12得票数 1
在scikit学习中，在实例化决策树时要设置的参数之一是最大深度。在设置决策树的深度时，需要考虑哪些因素？更大的深度通常会带来更高的精度吗？
浏览 0提问于2019-08-21得票数 0
回答已采纳
有没有办法在scikit-learn中打印经过训练的决策树？我想为我的论文训练一棵决策树，我想把这棵树的图片放在论文中。这有可能吗？
浏览 0提问于2014-08-13得票数 15
回答已采纳
1回答
我正在尝试训练一个决策树分类器，用于使用scikit-learn提供的函数来评估棒球运动员。然而，我想提前“预先指定”或“强制”一些分裂，基于我所知道的关于专家思考方式的真实情况(无论如何，这些都需要合并)。例如，我想基于击球平均值> .300强制拆分。一个相关的问题是--我是否可以“预加载”以前训练过的决策树模型，并在随后的训练中仅仅“更新”它？或者，decisio树分类器
浏览 2提问于2017-10-05得票数 1
我用Python的Scikit-learn库编写了一个简单的线性回归和决策树分类器代码来预测结果。效果很好。我的问题是，是否有一种方法可以向后进行，根据估算的结果预测参数值的最佳组合(参数，其中精度将是最好的)。或者我可以这样问，是否有分类、回归或其他类型的算法(决策树、支持向量机、KNN、Logistic回归、线性回归、多项式
浏览 0提问于2019-06-08得票数 10
回答已采纳
1回答
学习区间的并集
、、、
假设我有N个一维点xi和它们的标签yi = 1/0。我想学习一组k区间，这样，当标签1被赋予这些区间中的所有点时，误差就会最小化。随着k的增加，情况会变得更加复杂。
在scikit-learn中有没有一些通用的算法来做这件事，或者对决策树算法做了一些修改？直接的决策树算法不会起作用，因为你不能控制k，只能控制深度，并且分支的顺序可能导致最终的区间集不是最优的。如果有必要，
浏览 1提问于2015-05-11得票数 1
1回答
树分类器的极高精度度量
、、、、
我正在做一个项目，把总统辩论推文分为中立的、积极的和消极的。(不是当前辩论数据集)。我正在使用Decision trees，Decision tree ensemble和AdaBoost进行训练。问题是，我得到了百分之百的准确性，这是非常奇怪和不可能的。
我拥有的数据以bag-of-words模型的形式出现。词汇表中的每个单词由0/1表示，具体取决于该单词是否出现在每条推特中。我已经把问题末尾的</
浏览 2提问于2016-10-31得票数 0
回答已采纳
我的理解是：
在回归树中:每片叶子的目标值计算为训练期间到达该叶的实例的目标值的平均值。在模型树中:每个叶的值是一个线性函数，它使用特征的子集，通过对在训练期间到达该叶的实例执行线性回归来确定。是科学工具中的tree.DecisionTreeRegressor -学习回归树还是模型树
浏览 11提问于2014-06-02得票数 2
回答已采纳
在随机森林算法中，使用随机选择的特征( $log_2 n$ +1，其中n=数的特征数)生成m(例如)决策树数。从测试数据中选择任何样本的标签是根据这些决策树的投票数来选择的。但这些决策树的准确性不同(相当明显)。我的问题是，为什么我们要对所有的决策树给予同样的优先权？如果一个决策树在预测测试样本的</e
浏览 0提问于2018-05-30得票数 7
在标题中，我想知道在哪里可以检查RandomForestClassifier在scikit-learn中使用了哪些决策树算法。它在“属性”( attributes base_estimator_ = DecisionTreeClassifier )中写道，那么在“科学学习”中的DecisionTreeClassifier后面是“购物车”，那么这是我的答案吗？
浏览 0提问于2020-11-14得票数 1
回答已采纳
有没有一种方法可以用决策树或随机森林模型进行迁移学习？具体地说，我想知道在Python语言中是否有一种好的简单的方法来实现这一点，使用Scikit-learn训练的模型。我所能想到的就是在原始数据集上训练一个随机森林，当新数据到达时，训练新的树并将其添加到您的模型中。然而，我想知道这是不是一个好的方法，是否有其他更好的<
浏览 340提问于2021-05-11得票数 3
2回答
我是机器学习的新手！我如何处理这样的场景，我可以通过某种机制将字符串转换为数字，例如python中的哈希。但我想知道在决策树问题中如何处理字符串<
浏览 4提问于2015-02-25得票数 3
我知道决策树有基尼系数计算的feature_importance属性，它可以用来检查哪些特征更重要。但是，对于scikit-learn或Spark中的应用程序，它只接受数字属性，所以我必须将字符串属性转换为数字属性，然后对其进行one-hot编码器。当特征被放入决策树模型时，它是0-1编码的，而不是原始格式，我的问题是，如何解释原始属性的特征重要性？在尝试解释特性重要性时，我应该避免使用one-ho
浏览 2提问于2016-10-14得票数 11
经过研究，我发现对这类数据最合适的算法是一个决策树或一个随机forrest分类器！
有没有其他python库可以</
浏览 0提问于2017-07-18得票数 1
回答已采纳
1回答
我使用10折交叉验证在Weka中运行了C4.5剪枝算法。我注意到，未修剪的树比修剪的树具有更高的测试精度。我不明白为什么修剪树不能提高测试的准确性？
浏览 18提问于2017-02-05得票数 0
假设我有一个因变量来预测“态度”，它可以有三个值“正/负/中性”。我有以下自变量或特征-年龄，身高，性别，收入等。我试图预测态度的决策树分类器。态度~年龄+身高+性别+收入(决策树)这是过度适应的问题吗？是否应该将连续变量转换为范畴变量(如范围类)？
浏览 0提问于2016-07-10得票数 1
回答已采纳
1回答
我正在构建一个决策树模型，该模型将用于生产。永远不要对不受信任的数据进行解密，因为它可能导致在加载时执行恶意代码。虽然使用一个版本的scikit-learn保存的模型可能在其他版本中加载，但这是完全不受支
浏览 0提问于2018-06-22得票数 2
回答已采纳
我希望训练一棵深度最小、节点总数最少的决策树，使这些n样本的训练准确率达到100%。在最坏的情况下，这意味着每个样本都有一个叶节点。在Scikit-Learn的DecisionTreeClassifier实现1中，有没有一些参数的配置可以让我实现这一点？
浏览 0提问于2020-11-24得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
