数据科学专业问答社区，好文章，一字千金--CDA答疑社区

热线电话：13121318867

登录

詹惠儿

阐述随机森林原理

先回顾一下决策树原理：1.给定数据框（nxp），树基于规则（if-else）对数据进行分层或分区。是的，一棵树创造了规则。这些规则将数据集划分为不同的和不重叠的区域。这些规则由变量对所得子节点（X2，X3）的均匀性或纯度的贡献来确定。2.变量X1导致子节点中的最高同质性，因此它成为根节点。根节点处的变量也被视为数据集中最重要的变量。3，但这种同质性或纯度如何确定？换句话说，树如何决

0.0000

0

2

0

关注作者

收藏

詹惠儿

阐述随机森林算法及定义

什么是随机森林算法？随机森林是一种基于树的算法，它涉及构建多个树（决策树），然后组合它们的输出以提高模型的泛化能力。组合树的方法称为集合方法。集合只不过是弱学习者（个体树）的组合，以产生强大的学习者。比如说，你想看电影。但你不确定它的评论。你问10个看过这部电影的人。其中8人说“这部电影很精彩”。由于大多数人都赞成，你决定观看这部电影。这也是我们在日常生活中使用合奏技巧的方式。

0.0000

0

0

0

关注作者

收藏

詹惠儿

决策树中要解决的问题（二）

选择属性的替代措施 ID3算法使用的信息增益公式将所有变量视为相同，无论其分布及其重要性如何。当涉及具有许多可能值的连续变量或离散变量时，这是一个问题，因为对于每个可能的值，训练示例可能很少且很远，这导致由于将数据分成小的子集而导致低熵和高信息增益但是导致决策树可能无法很好地概括。避免这种情况的一种方法是使用其他一些措施来找到最佳属性而不是信息增益。信息增益的另一种衡量方

0.0000

0

4

0

关注作者

收藏

詹惠儿

决策树中要解决的问题（一）

决策树虽然理解起来简单，操作也不难，但有3个一定要注意的问题。一. 避免过度拟合由于ID3算法继续拆分属性，直到它对所有数据点进行分类或者没有更多属性要进行拆分。结果，通过以相对于整个数据分布的准确性为代价在训练数据上执行得非常好，易于创建过度拟合的决策树。通常，有两种方法可以在决策树中避免这种情况： - 允许树生长直到它过度生长然后修剪它。 - 在完全分类训练数据之前，通过停止树来防止树

0.0000

0

1

0

关注作者

收藏

詹惠儿

决策树在机器学习和数据挖掘中的运用

决策树还可用于帮助构建自动预测模型，其在机器学习，数据挖掘和统计中具有应用。这种方法称为决策树学习，它考虑了有关项目的预测，以预测该项目的价值。在这些决策树中，节点代表数据而不是决策。这种类型的树也称为分类树。每个分支包含一组属性或分类规则，这些属性或分类规则与特定类标签相关联，该标签位于分支的末尾。这些规则也称为决策规则，可以用if-then子句表示，每个决策或数据值构成一个子句，例如

0.0000

0

1

0

关注作者

收藏

詹惠儿

如何进行决策树的绘制？

要绘制决策树，首先选择一个媒介。您可以在纸上或白板上手工绘制，也可以使用特殊的决策树软件。在任何一种情况下，以下是要遵循的步骤：1. 从主要决定开始。绘制一个小方框来表示此点，然后从每个可能的解决方案或操作的框中向右绘制一条线。相应地标记它们。 a2. 添加机会和决策节点以展开树，如下所示：如果需要做出其他决定，请绘制另一个框。如果结果不确定，请绘制一个圆圈（圆圈代

0.0000

0

3

0

关注作者

收藏

wangjuju123

字典方法-update

方法update使用一个字典中的项来更新另一个字典。 >>> d = { ... 'title': 'Python Web Site', ... 'url': 'http://www.python.org',... 'changed': 'Mar 14 22:09:15 MET 2016' ... } >>> x = {'title': 'Python Language We

0.0000

0

4

0

关注作者

收藏

zxq997

抽样的多种组织形式

1.简单随机抽样（simple random sampling, srs）的定义是：任何样本数为n的样本组合中选的机率都是相等的。2.等距抽样（systematic sampling）也有人称它为系统抽样。是先把全体总数N除以样本数n，得到K，也就是每间隔K个抽一个，再用随机数表自1到K选一个随机数R，则R，R＋K，R＋2K，......，R＋（n－1）K等号码中选。3.分层随机抽样（stra

0.0000

0

6

0

关注作者

收藏

zxq997

中心极限定理

从均值为，方差为的一个任意总体中抽取容量为n的样本，当n充分大时，样本均值的抽样分布近似服从均值为μ、方差为σ2/n的正态分布。根据中央极限定理，我们知道如果做很多次抽样的话会得到很多个，而这些排起来会形成正态分布，它们的平均数是，标准差是。换句话说，有约68%的会落在之间，有约95%的会落在之间，有约99.7%的会落在之间。把上述的说法稍为转换一下就变成：有68%的会

0.0000

0

3

0

关注作者

收藏

詹惠儿

pandas中的groupby如何过滤最多3个计数

数据：以下创建了一个包含200000行的示例数据框，：df = pd.DataFrame()df ['Team'] = ['A1','A1','A1','A2','A2','A2','B1','B1','B1','B2','B2','B2']df ['Competition'] = ['L1','L1','L1','L1','L1','L1','L2','L2','L2','L2','L2

0.0000

0

6

0

关注作者

收藏

wangjuju123

字典方法 -clear

与其他内置类型一样，字典也有方法。字典的方法很有用，但其使用频率可能没有列表和字符串的方法那样高。你可大致浏览一下本节，了解字典提供了哪些方法，等需要使用特定方法时再回过头来详细研究其工作原理。 1. clear 方法clear删除所有的字典项，这种操作是就地执行的（就像list.sort一样），因此什么都不返回（或者说返回None）。 >>> d = {} >>> d['name'

0.0000

0

1

0

关注作者

收藏

wangjuju123

将字符串格式设置功能用于字典

可使用字符串格式设置功能来设置值的格式，这些值是作为命名或非命名参数提供给方法format的。在有些情况下，通过在字典中存储一系列命名的值，可让格式设置更容易些。例如，可在字典中包含各种信息，这样只需在格式字符串中提取所需的信息即可。为此，必须使用format_map来指出你将通过一个映射来提供所需的信息。 >>> phonebook {'Beth': '9102', 'Alice':

0.0000

0

2

0

关注作者

收藏

wangjuju123

基本的字典操作

字典的基本行为在很多方面都类似于序列。  len(d)返回字典d包含的项（键-值对）数。  d[k]返回与键k相关联的值。  d[k] = v将值v关联到键k。  del d[k]删除键为k的项。  k in d检查字典d是否包含键为k的项。虽然字典和列表有多个相同之处，但也有一些重要的不同之处。  键的类型：字典中的键可以是整数，但并非必须是整数。字典中的键可以是任何不

0.0000

0

1

0

关注作者

收藏

zxq997

数据的计量尺度

数据的计量尺度和具体的统计方法息息相关，大致分为3类，分别是名义测量、次序测量和连续变量测量。这三类测量分别对应三种变量类型，即分类变量，顺序变量和数值变量。连续变量测量可以进一步细分为间距测量和比例测量。（1）名义测量（nominal measurement）是最低的一种测量等级，也称定名测度。其数值仅代表某些分类或属性。比如，用来表示性别（1或2）和民族（1、2、3…）等。这类变量一般不做高

0.0000

0

1

0

关注作者

收藏

wangjuju123

创建和使用字典

字典以类似于下面的方式表示： phonebook = {'Alice': '2341', 'Beth': '9102', 'Cecil': '3258'} 字典由键及其相应的值组成，这种键-值对称为项（item）。在前面的示例中，键为名字，而值为电话号码。每个键与其值之间都用冒号（:）分隔，项之间用逗号分隔，而整个字典放在花括号内。空字典（没有任何项）用两个花括号表示，类似于下面这样：{}

0.0000

0

4

0

关注作者

收藏

zxq997

5个步骤中的主要任务，如图：（1）数据整理涉及数据采集、数据合并与抽样的操作，目的是为了构造分析用到的数据。分析人员根据维度分析获得的结果作为整理数据的依据，将散落在公司内部与外部的数据进行整合。（2）样本探索这个步骤的主要任务是对数据质量的探索。变量质量方面涉及错误值（年龄=-30）、恰当性（客户的某些业务指标为缺失值，实际上是没有这个业务，值应该为“0”）、缺失值（没有客户

0.1790

1

3

0

关注作者

收藏

zxq997

数据分析方法论

CRISP-DM 方法论将数据挖掘项目生命周期分为6个阶段，它们分别是业务理解、数据理解、数据准备、建模、模型评估和模型发布。呈现了通用数据挖掘方法论（CRISP-DM）流程的6个阶段。下面简短地介绍了每个阶段的要点。（1）业务理解Business understanding该初始阶段集中在从商业角度理解项目的目标和要求，通过理论分析转化为数据挖掘可操作的问题，制定实现目标的初步计划

0.1790

1

1

0

关注作者

收藏

wangjuju123

字典的用途

字典的名称指出了这种数据结构的用途。普通图书适合按从头到尾的顺序阅读，如果你愿意，可快速翻到任何一页，这有点像Python中的列表。字典（日常生活中的字典和Python字典）旨在让你能够轻松地找到特定的单词（键），以获悉其定义（值）。在很多情况下，使用字典都比使用列表更合适。下面是Python字典的一些用途： 表示棋盘的状态，其中每个键都是由坐标组成的元组；  存储文件修改时间，其中

0.0000

0

4

0

关注作者

收藏

詹惠儿

怎么查看R及下载包的版本？

在R里可以直接查看R及下载包的版本，也可以通过jupyter查看。那么在r中如何操作呢？1.要检查R中所执行的版本可使用命令：R --version2.要检查已安装软件包的版本，请执行以下操作。加载库后，您可以执行 sessionInfo ()但要知道所有已安装软件包的列表：packinfo

0.0000

0

2

0

关注作者

收藏

啊啊啊啊啊吖

Python里的排序

一个简单的选择排序重复寻找列表中的最小值，并且不断交换直到列表是有序的。可以在 Python 中仅用几行代码来实现：In[1]: import numpy as npdef selection_sort(x):for i in range(len(x)):swap = i np.argmin(x[i:])(x[i], x[swap]) = (x[swap], x[i])ret

0.0000

0

3

0

关注作者

收藏

<1…490491492…531>

CDA考试动态

CDA报考指南