机器学习之决策树理论与代码实践

1

开课简介开课简介

2

机器学习知识体系机器学习知识体系

「仅限付费用户」点击下载“DecisionTree.rar”

3

机器学习流程机器学习流程

4

决策树介绍决策树介绍

5

熵entropy介绍熵entropy介绍

6

数据集的熵计算举例数据集的熵计算举例

7

条件熵的概念和计算过程条件熵的概念和计算过程

8

信息增益并根据其划分特征信息增益并根据其划分特征

9

信息增益算法及计算举例信息增益算法及计算举例

10

ID3算法和C4.5算法ID3算法和C4.5算法

11

决策树原生代码实现：数据集熵的计算决策树原生代码实现：数据集熵的计算

12

决策树原生代码实现：选择较好的划分特征决策树原生代码实现：选择最好的划分特征

13

决策树原生代码实现：递归生成决策树决策树原生代码实现：递归生成决策树

14

决策树原生代码实现：决赛树预测数据实现决策树原生代码实现：决赛树预测数据实现

15

CART算法，使用基尼指数选择最优特征CART算法，使用基尼指数选择最优特征

16

基尼指数做特征选择计算举例基尼指数做特征选择计算举例

17

使用Sklearn实现决策树并可视化使用Sklearn实现决策树并可视化

18

案例：使用决策树对鸢尾花数据进行分类并可视化案例：使用决策树对鸢尾花数据进行分类并可视化