- ML之DT：基于简单回归问题训练决策树(DIY数据集+三种深度的二元DT性能比较) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 for i in range(1, len(xPlot)): lhList = list(xPlot[0:i]) rhList = list(xPlot[i:... ML之DT：基于简单回归问题训练决策树(DIY数据集+三种深度的二元DT性能比较) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 for i in range(1, len(xPlot)): lhList = list(xPlot[0:i]) rhList = list(xPlot[i:...
- 今天我们再来看一个新的算法---决策树（Decision Tree）。 决策树呢，在机器学习的算法里也是比较常见的一种分类与回归算法了。决策树模型是树状图结构，在分类问题中，表示基于特征对实例进行分类的过程。其实从简单角度来讲就是两个选择不是“是”就是“否”。下面我们从简单的图画中看一下什么是决策树吧！ 从上面这个图中我们可以看出来决策树就是这么一层一层选择... 今天我们再来看一个新的算法---决策树（Decision Tree）。 决策树呢，在机器学习的算法里也是比较常见的一种分类与回归算法了。决策树模型是树状图结构，在分类问题中，表示基于特征对实例进行分类的过程。其实从简单角度来讲就是两个选择不是“是”就是“否”。下面我们从简单的图画中看一下什么是决策树吧！ 从上面这个图中我们可以看出来决策树就是这么一层一层选择...
- 决策树对于我们来说就像是一个具有终止块的流程图一样，终止块就向我们展示了分类的结果。 通过使得信息熵变化至最小的原理构建我们的决策树不同的层，并且我们可以使用treePlotter.py这个模块来实现决策树的树形图绘制，能够更加直观的向我们展示决策树的结构。 决策树的层数将会极大的和我们所具有的feature的数量有关，可能会存在终止块中无法准确决策出结果的情况（比如说f... 决策树对于我们来说就像是一个具有终止块的流程图一样，终止块就向我们展示了分类的结果。 通过使得信息熵变化至最小的原理构建我们的决策树不同的层，并且我们可以使用treePlotter.py这个模块来实现决策树的树形图绘制，能够更加直观的向我们展示决策树的结构。 决策树的层数将会极大的和我们所具有的feature的数量有关，可能会存在终止块中无法准确决策出结果的情况（比如说f...
- 集成学习(ensemble learning)可以说是现在非常火爆的机器学习方法了。它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。本文就对集成学习的原理做一个总结。 1. 集成学习概... 集成学习(ensemble learning)可以说是现在非常火爆的机器学习方法了。它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。本文就对集成学习的原理做一个总结。 1. 集成学习概...
- 选自 | arXiv作者 | Tony Duan、Anand Avati等编译 | 机器之心参与 | 熊猫在此论文中，来自斯坦福的研究者们提出了 NGBoost 梯度提升方法以解决现有梯度提升方法难以处理的通用概率预测中的技术难题。自然梯度提升（NGBoost / Natural Gradient Boosting）是一种算法，其以通用的方式将概率预测能力引入到了梯度提升中。预测式不确定性估... 选自 | arXiv作者 | Tony Duan、Anand Avati等编译 | 机器之心参与 | 熊猫在此论文中，来自斯坦福的研究者们提出了 NGBoost 梯度提升方法以解决现有梯度提升方法难以处理的通用概率预测中的技术难题。自然梯度提升（NGBoost / Natural Gradient Boosting）是一种算法，其以通用的方式将概率预测能力引入到了梯度提升中。预测式不确定性估...
- 过拟合及其对策阅读目录1 损失函数2 学习3 过拟合与欠拟合4 方差与偏差5 如何避免过拟合5.1 正则化5.2 剪枝5.3 数据增广5.4 dropout5.5 Early Stopping5.6 集成学习6 参考文献本文介绍了欠拟合、过拟合相关概念，分析造成它们的原因，总结了防止过拟合的一般策略。回到顶部1 损失函数损失函数（loss function）：是用来度量模型预测值f(x)与样... 过拟合及其对策阅读目录1 损失函数2 学习3 过拟合与欠拟合4 方差与偏差5 如何避免过拟合5.1 正则化5.2 剪枝5.3 数据增广5.4 dropout5.5 Early Stopping5.6 集成学习6 参考文献本文介绍了欠拟合、过拟合相关概念，分析造成它们的原因，总结了防止过拟合的一般策略。回到顶部1 损失函数损失函数（loss function）：是用来度量模型预测值f(x)与样...
上滑加载中
推荐直播
-
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签