Намерението на тази публикация е да даде бързо опресняване (по този начин се предполага, че вече сте запознати с нещата) на регресията на дървото на решенията (използвайки Python). Можете да третирате това и като ЧЗВ.
Какво е CART?
CA - Класификационни дървета
RT - Регресионни дървета
*************************************************
Какъв вид линейна регресия е регресията на дървото на решенията?
Нелинейна регресия
*************************************************
Какъв е критерият по подразбиране за клас на регресия на дървото на решенията?
Критерият по подразбиране е MSE (средна квадратна грешка). MSE = квадратната разлика между прогнозата и реалния резултат и вземане на сумата от тези разлики за измерване на грешката.
*************************************************
Какъв вид модел включва регресионният модел на дървото на решенията?
Непрекъснат модел
*************************************************
Защо трябва да чертаем с набор от данни с висока разделителна способност за визуализиране на регресията на дървото на решенията?
При регресията на дървото на решенията прогнозираните стойности се получават според средната стойност на този конкретен интервал. По този начин, без висока разделителна способност, графиката няма да покаже действителното представяне на факта, че прогнозата се основава на средни стойности в този конкретен интервал.
*************************************************
Регресията на дървото на решенията ще подхожда ли най-добре за 1D модели или 2D модели?
Регресионните модели на дървото на решенията са най-подходящи за 2D модели.
*************************************************
Примерен код за прилагане на регресия на дървото на решенията?
от sklearn.tree import DecisionTreeRegressor
var_regressor = DecisionTreeRegressor(random_state = 0)
var_regressor.fit(var_X, var_y) #var_X & var_y са съответно независими и зависими променливи набори от данни.
Следващ :- Наука за данни (Python) :: Регресия на произволна гора
Предишна :- Наука за данни (Python) :: Поддържа векторна регресия (SVR)
