決策樹c45算法總結(jié)-閱讀頁
2025-01-24 19:39本頁面
【正文】 樣本數(shù)低于某一閾值。 處理連續(xù)型數(shù)據(jù) ID3算法：不能處理連續(xù)型數(shù)據(jù)，只能處理離散型數(shù)據(jù)。 二值 離散：對連續(xù)型屬性進(jìn)行排序，得到多個候選閾值，選取產(chǎn)生最大信息增益的閾值作為分裂閾值。 ：可以處理缺失值。 b) 選擇常用值或均值填充。 d) 對缺失值賦予獨特的值，參與訓(xùn)練。 b) 選擇常用值或均值填充。 d) 為缺失值建立單獨分支。 3）對新樣本進(jìn)行分類時，缺失值導(dǎo)致樣本到達(dá)葉子節(jié)點，怎么處理？ 解決 方案： a) 有缺失值單獨分支，走單獨分支。 c ) 確定最可能取值，走相應(yīng)分支。 f) 不 進(jìn)行分類，直接賦給最有可能的值。 剪枝 ： 控制決策樹規(guī)模的方法稱為剪枝，一種是先剪枝，一種是后剪枝。 先 剪枝： 1) 數(shù)據(jù)劃分法。 2) 閾值法。 3) 信息增益的統(tǒng)計顯著性分析。 優(yōu)點： 簡單直接； 缺點： 對于不回溯的貪婪算法，缺乏后效性考慮，可能導(dǎo)致樹 提前停止 。使用獨立的剪枝集估計剪 枝前后的分類錯誤率，基于此進(jìn)行剪枝。對剪枝后的樹綜 合評價錯誤率和復(fù)雜性，決定是否剪枝。最簡單的樹就是最好的樹。 4) 規(guī)則 后剪枝。 優(yōu)點 : 實際應(yīng)用中有效 缺點： 數(shù)據(jù)量大時，計算代價較大。 Weka J48算法參數(shù) 是否對離散屬性進(jìn)行二元分裂 ? 剪枝過程中的置信因子，值越小剪枝越多 ? 設(shè)置為 true，控制臺會輸出調(diào)試信息 ? 葉節(jié)點的最小實例數(shù) ? 定義用來剪枝的樣本比例 ? 是否使用減少誤差剪枝法 ? 是否保存訓(xùn)練樣本數(shù)據(jù) ? 使用減小誤差剪枝法中的隨機(jī)種子參數(shù) ? 修剪時是否考慮子樹上升 ? 是否剪枝 ? 是否在對葉子計數(shù)時使用拉普拉斯平滑 Weka J48算法源碼解析 Weka J48算法源碼解析 高級類 J48 Weka J48算法源碼解析 可剪枝的 Weka J48算法源碼解析 分類樹 Weka J48算法源碼解析 分類樹 Weka J48算法源碼解析 Weka J48算法源碼解析 Weka J48算法源碼解析 Weka J48算法源碼解析 選擇分裂屬性 Weka J48算法源碼解析 處理離散屬性 Weka J48算法源碼解析 計算增益 Weka J48算法源碼解析 計算增益率 Weka J48算法源碼解析 熵和條件熵 Weka J48算法源碼解析 屬性熵 Weka J48算法源碼解析 處理連續(xù)屬性 Weka J48算法源碼解析 處理連續(xù)屬性 Weka J48算法源碼解析 處理所有可能的分裂點 Weka J48算法源碼解析 剪枝算法 Weka J48算法源碼解析 剪枝算法 Weka J48算法源碼解析 計算錯誤率
外語相關(guān)推薦
鄂ICP備17016276號-1