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

wangjuju123

随机森林优点和注意点

随机森林算法的注意点：1、在构建决策树的过程中是不需要剪枝的。 2、整个森林的树的数量和每棵树的特征需要人为进行设定。 3、构建决策树的时候分裂节点的选择是依据最小基尼系数的。随机森林有很多的优点：a. 在数据集上表现良好，两个随机性的引入，使得随机森林不容易陷入过拟合。b. 在当前的很多数据集上，相对其他算法有着很大的优势，两个随机性的引入，使得随机森林具有很好的抗噪声

0.0000

0

3

0

关注作者

收藏

wangjuju123

bagging方法bootstrap aggregating的缩写，采用的是随机有放回的选择训练数据然后构造分类器，最后组合。这里以随机森林为例进行讲解。随机森林算法概述随机森林算法是上世纪八十年代Breiman等人提出来的，其基本思想就是构造很多棵决策树，形成一个森林，然后用这些决策树共同决策输出类别是什么。随机森林算法及在构建单一决策树的基础上的，同时是单一决策树算法的延伸和改进。在整

0.0000

0

1

0

关注作者

收藏

wangjuju123

Adaboost是boosting中较为代表的算法，基本思想是通过训练数据的分布构造一个分类器，然后通过误差率求出这个若弱分类器的权重，通过更新训练数据的分布，迭代进行，直到达到迭代次数或者损失函数小于某一阈值。Adaboost的算法流程：假设训练数据集为T={(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4),(X5,Y5)} 其中Yi={-1,1}1、初始化训练数据的分

0.0000

0

2

0

关注作者

收藏

wangjuju123

集成学习概述

1.1 集成学习概述集成学习在机器学习算法中具有较高的准去率，不足之处就是模型的训练过程可能比较复杂，效率不是很高。目前接触较多的集成学习主要有2种：基于Boosting的和基于Bagging，前者的代表算法有Adaboost、GBDT、XGBOOST、后者的代表算法主要是随机森林。1.2 集成学习的主要思想集成学习的主要思想是利用一定的手段学习出多个分类器，而且这多个分类器要求是弱分

0.0000

0

1

0

关注作者

收藏

wangjuju123

集成算法——Adaboost代码

集成算法是我们将不同的分类器组合起来，而这种组合结果就被称为集成方法或者是元算法。使用集成方法时会有多种形式：可以是不同算法的集成，也可以是同意算法在不同设置下的集成，还可以是数据集不同部分分配给不同分类器之后的集成。两种形式：bagging方法：从原始数据集选择S次后得到S个新数据集，之后将某个学习算法分别作用于数据集，就得到了S个分类器，在对新的数据集进行分类时，使用这些分类器进行分类

0.0000

0

2

0

关注作者

收藏

wangjuju123

小海龟画圆

import turtle #import是一个关键字，用来引入一些外部库，这里的含义是引入一个名字叫turtle的函数库turtle.setup(800,600)#窗口的大小 turtle.shape("turtle")#形状是一个海龟除了画海龟还可以画箭头，圆圈等等 turtle.color("red")#颜色是红色 turtle.speed(1)#画笔速度 turtle.pensi

0.0000

0

4

0

关注作者

收藏

809669515

基于抽样的算法SMOTE

2002年，引入了一种基于抽样的算法SMOTE（Synthetic Minority Over-Sampling Technique），试图解决类不平衡问题。由于其简单性和有效性，它是最常用的方法之一。它是过采样和欠采样的组合，但过采样方法不是复制少数类，而是通过算法构造新的少数类数据实例。在传统的过采样中，少数类正在被复制。在SMOTE中，以这种方式构造新的少数派实例：a构造算法背后的直

114.3933

1

2

0

关注作者

收藏

PGC123

numpy在计算时如何跳过nan值？

numpy.ndarray 在求mean，max，min的时候如何忽略跳过nan值？我们在对一个python numpy数组求均值或最大值的时候，如果这个数组里包含nan，那么程序就会报错或者求出来的值是nan，如下所示import numpy as npIn [1]: import numpy as npIn [2]: test = np.array([3,5,4,7,np.na

0.0000

0

1

0

关注作者

收藏

809669515

如何判断机器学习算法哪个更好？

为了告诉机器学习算法（或研究人员）模型2优于模型1，我们需要更好的指标，而不仅仅是计算错误的数量。我们介绍了真阳性，真阴性，假阳性和假阴性的概念：真阳性（TP rate） - 一个积极的例子，被正确归类为阳性真阴性（TN rate） - 一个阴性的例子，被正确分类为阴性误报（FP rate） - 一个否定的例子，但被错误地归类为正面假阴性（FN rate） - 一个积

114.3933

1

1

0

关注作者

收藏

wangjuju123

用python绘制太阳花

import turtle #import是一个关键字，用来引入一些外部库，这里的含义是引入一个名字叫turtle的函数库turtle.setup(800,600)#窗口的大小turtle.shape("turtle")turtle.begin_fill()#填充图形前，调用该方法turtle.color('red','yellow')#颜色是橙色turtle.speed(8)#画笔速度

0.0000

0

5

0

关注作者

收藏

809669515

什么是类不平衡问题？

什么是类不平衡问题？这是机器学习中的问题，其中一类数据的总数（正数）远小于另一类数据的总数（负数）。为什么这是一个问题？大多数机器学习算法在每个类的实例数大致相等时效果最佳。当一个类的实例数远远超过另一个类时，会出现问题。下面以一个例子来说明这一点。给定交易数据的数据集，我们想知道哪些是欺诈性的，哪些是真实的。现在，如果欺诈性交易发生，电子商务公司的成本很高，因为这会影响我们的客户对我

0.0000

0

1

0

关注作者

收藏

wangjuju123

python字段设置

一、执行python代码是出现以下错误：报错显示

0.0000

0

3

0

关注作者

收藏

PGC123

iloc索引不能增加行？

在pandas中基于位置索引有两种方式 loc 和 iloc,其中loc 是使用显示索引来定位数据的，所谓的显示索引即为我们给行标签列标签起的名字。iloc使用的是隐式索引定位标签，隐式索引为行列默认的索引值都是从零开始递增的[0,1,2,3,4.......]因为iloc使用的是隐式索引，这样增加行的时候无法增加显示的index值所以无法用他添加行或列。

0.0000

0

3

0

关注作者

收藏

kejiayuan0806

如何进行特征选择

特征选择是一个重要的数据预处理过程，主要有两个原因：一是减少特征数量、降维，使模型泛化能力更强，减少过拟合;二是增强对特征和特征值之间的理解。常见的特征选择方式：1、去除方差较小的特征。2、正则化。1正则化能够生成稀疏的模型。L2正则化的表现更加稳定，由于有用的特征往往对应系数非零。3、随机森林，对于分类问题，通常采用基尼不纯度或者信息增益，对于回归问题，通常采用的是方差或者最小二乘拟合。

0.0000

0

4

0

关注作者

收藏

kejiayuan0806

标准化与归一化的区别

标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。归一化是依照特征矩阵的行处理数据，其目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。规则为l2的归一化公式如下：

0.0000

0

1

0

关注作者

收藏

kejiayuan0806

决策树剪枝的方法

一般情况下可以使用如下两类方法来减小决策树的规模:一、在决策树完美分割学习样例之前，停止决策树的生长。这种提早停止树生长的方法，称为预剪枝方法。二、与预剪枝方法尽量避免过度分割的思想不同，一般情况下即使决策树可能出现过度拟合现象，算法依然允许其充分生长。在决策树完全生长之后，通过特定标准去掉原决策树中的某些子树。通常称这种方法为后剪枝方法。1、预剪枝方法预剪枝方法实际上是对决策树停止标准的

0.0000

0

4

0

关注作者

收藏

kejiayuan0806

决策树剪枝的方法与必要性

基于ID3算法实现的离散决策树生成。ID3算法的基本思想是贪心算法，采用自上而下的分而治之的方法构造决策树。首先检测训练数据集的所有特征，选择信息增益最大的特征A建立决策树根节点，由该特征的不同取值建立分枝，对各分枝的实例子集递归，用该方法建立树的节点和分枝，直到某一子集中的数据都属于同一类别，或者没有特征可以在用于对数据进行分割。ID3算法总是选择具有最高信息增益(或最大熵压缩)的属性作为当前

0.0000

0

2

0

关注作者

收藏

kejiayuan0806

概率和似然有什么区别

概率和似然都是指可能性，但在统计学中，概率和似然有截然不同的用法。概率描述了已知参数时的随机变量的输出结果；似然则用来描述已知随机变量输出结果时，未知参数的可能取值。例如，对于“一枚正反对称的硬币上抛十次”这种事件，我们可以问硬币落地时十次都是正面向上的“概率”是多少；而对于“一枚硬币上抛十次，我们则可以问，这枚硬币正反面对称的“似然”程度是多少。概率(密度)表达给定θ下样本随机向量X=x的

0.0000

0

3

0

关注作者

收藏

809669515

SQL Server与MySQL的差异

平台到目前为止，一个关键的比较点是MySQL可以在多个平台上使用，而SQL Server只是Windows，并且似乎可能保持这种状态。然而，在2016年3月，微软宣布了支持Linux的计划 - 在整个数据库管理市场中发送冲击波。突然之间，SQL Server现在已经成为Linux环境的可行选择，以前这对客户来说是一个潜在的交易破坏者。兼容性长期以来，MySQL因为不支持其他关系数据库

0.0000

0

3

0

关注作者

收藏

809669515

Oracle和MySQL相比的优势

Oracle和MySQL是当今最流行的关系数据库之一，无论是在线还是离线。它们都是由甲骨文公司制造的，所以很多人都在问这两者之间的差异。好吧，Oracle和MySQL 之间的主要区别在于它们的功能，因为Oracle是比MySQL 更强大的软件。您可以获得内联视图，基于角色的安全性，高级复制等等。下面列出了Oracle对MySQL的几个关键功能。Oracle 的第一个主要优势是能够跨多个服务器分

0.0000

0

1

0

关注作者

收藏

<1…505506507…531>

CDA考试动态

CDA报考指南