决策树的理解 决策树是一种机器学习的方法。决策树的生成算法有ID3, C4.5和CART等。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。 决策树是一种十分常用的分类方法，需要监管学习（有教师的Supervised Lea ...
分类：
其他好文 时间：
2020-05-05 20:09:36
阅读次数：
1309
相关概念： 剪枝：如果有特征对决策没有很大的帮助，那么可以进行预剪枝或后剪枝操作。（对决策树减少节点的形象说法）。 不同算法信息指标： ①信息增益（ID3算法）： 简单易懂，适合大部分场景； 但是因为分割越细错分率越低，效果越好，所以存在分割太细造成对训练数据的过拟合问题，使得对测试数据的泛化效果差 ...
分类：
其他好文 时间：
2020-04-30 21:43:43
阅读次数：
81
Git Pull据我所知，当你使用git pull时，它将会获取远程服务器(你请求的，无论什么分支)上的代码，并且立即合并到你的本地厂库，Pull是一个高等级的请求，默认会支持Fetch和merge的操作，如果不是为了使用上的方便，你可以完全不使用它。 1 2 3 4 5 $git checkout ...
分类：
其他好文 时间：
2020-04-27 13:49:48
阅读次数：
69
随机森林，是指用随机的方式建立一个森林，森林里面有许多决策树，且随机森林中的树与树之间是彼此独立的。在得到随机森林后，当有一个新的样本输入的时候，让森林中的每一棵树分别进行计算并进行统计汇总，得分最多的那个结果为最终的结果。随机森林既可以处理属性为离散值的样本(ID3算法)，也可以处理属性为连续值的 ...
分类：
其他好文 时间：
2020-04-23 00:41:07
阅读次数：
102
Jenkins与Docker的自动化CI/CD流水线实战标签（空格分隔）：docker的部分一：什么是CI/CD二：发布流程设计三：部署Git仓库并上传测试代码一：什么是CI/CD持续集成（ContinuousIntegration，CI）：代码合并、构建、部署、测试都在一起，不断地执行这个过程，并对结果反馈。持续部署（ContinuousDeployment，CD）：部署到测试环境、预生产环境、
分类：
其他好文 时间：
2020-04-15 11:00:06
阅读次数：
197
常用的决策树算法有 ID3、C4.5、CART ，它们构建树所使用的启发式函数各是什么？除了构建准则之外，它们之间的区别与联系是什么？首先，我们回顾一下这几种决策树构造时使用的准则。 | 人 | 年龄 | 长相 | 工资 | 写代码 | 类别 | | | | | | | | | 小A | 老 | 帅 ...
分类：
其他好文 时间：
2020-04-02 22:47:48
阅读次数：
100
注：本文使用的网课资源为中国大学MOOC https://www.icourse163.org/course/ZJU 93001 查找 查找 ：根据某个给定的关键字K，从集合R中找出关键字与K相同的记录。 静态查找：集合中的记录是固定的，没有插入删除的操作，只有查找； 动态查找：集合中记录是动态变化 ...
分类：
其他好文 时间：
2020-03-18 00:03:19
阅读次数：
131
rabbitMQ有三种模式：单机模式，普通集群模式，镜像集群模式 RabbitMQ的高可用性 RabbitMQ是比较有代表性的，因为是基于主从做高可用性的，我们就以他为例子讲解第一种MQ的高可用性怎么实现。 rabbitmq有三种模式：单机模式，普通集群模式，镜像集群模式 1）单机模式 就是demo ...
分类：
其他好文 时间：
2020-02-27 16:07:12
阅读次数：
89
使用的模块是eyeD3 一、eyeD3的安装 1、安装msgpack，不安装会报错distributed 1.21.8 requires msgpack, which is not installed pip install msgpack 2、安装magic，不安装的话，在import eyed3 ...
分类：
编程语言 时间：
2020-02-15 18:51:49
阅读次数：
90
K 近邻算法 作用：分类算法 优点：最简单、不需要训练、容易理解 缺点：计算复杂度高、空间复杂度高 原理：计算新数据与样本集中所有数据的欧式距离，提取距离最近的 K 个样本的标签，取 K 个样本里出现次数最多的标签，作为新数据的分类标签 决策树 ID3 作用：分类算法 优点：计算复杂度不高、容易理解 ...
分类：
编程语言 时间：
2020-02-09 09:54:44
阅读次数：
61
