决策树 - 版本历史

2024年1月19日 (五) 11:28 Zeroclanzhang

2024-01-19T11:28:18Z

←上一版本		2024年1月19日 (五) 19:28的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=~~[[Has english name::~~Decision Tree]]		\|nodeenglishname=Decision Tree
	\|abbreviation=~~[[Has abbreviation::~~DT]]		\|abbreviation=DT
	\|funcmaincategory=机器学习		\|funcmaincategory=机器学习
	\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]		\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]

2024年1月18日 (四) 09:43 Zeroclanzhang

2024-01-18T09:43:35Z

←上一版本		2024年1月18日 (四) 17:43的版本
第5行：		第5行：
	\|simpleicon=Decision Tree_Pure.svg		\|simpleicon=Decision Tree_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=~~PC可用~~		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=[[Has english name::Decision Tree]]		\|nodeenglishname=[[Has english name::Decision Tree]]
	\|abbreviation=[[Has abbreviation::~~DT_C45~~]]		\|abbreviation=[[Has abbreviation::DT]]
	\|funcmaincategory=机器学习		\|funcmaincategory=机器学习
	\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]		\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]
第20行：		第20行：
	\|nodeavailableplotlist=nodenoplotoutput		\|nodeavailableplotlist=nodenoplotoutput
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;~~DropManu~~;Text		\|nodeconfiguration=VariableList;DropMenu;Text
	\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■
	\|statsapewikiurl=https://wiki.statsape.com/决策树		\|statsapewikiurl=https://wiki.statsape.com/决策树
	\|previousnode=[[~~导入测试集~~]]		\|previousnode=[[采样方法]]
	\|nextnode=[[支持向量机]]		\|nextnode=[[支持向量机]]
	}}		}}

	==算法概述==		==算法概述==
	决策树通常用于运筹学，特别是决策分析，以帮助确定最有可能达到目标的策略，但也是机器学习中的一种流行工具<ref>{{cite journal \|author=De Ville, Barry \|title=Decision trees \|journal=Wiley Interdisciplinary Reviews: Computational Statistics \|volume=5 \|number=6 \|pages=448--455 \|year=2013 \|publisher=Wiley Online Library }}</ref>。机器学习中的决策树是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型，通过学习从数据特征推断出的简单决策规则来预测目标变量的值。树可以看作是分段常数近似。		决策树通常用于运筹学，特别是决策分析，以帮助确定最有可能达到目标的策略，但也是机器学习中的一种流行工具<ref>{{cite journal \|author=De Ville, Barry \|title=Decision trees \|journal=Wiley Interdisciplinary Reviews: Computational Statistics \|volume=5 \|number=6 \|pages=448--455 \|year=2013 \|publisher=Wiley Online Library }}</ref>。机器学习中的决策树是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型，通过学习从数据特征推断出的简单决策规则来预测目标变量的值。树可以看作是分段常数近似。
第88行：		第87行：
	== 参考文献 ==		== 参考文献 ==
	{{reflist}}		{{reflist}}


	{{Navplate AlgorithmNodeList}}		{{Navplate AlgorithmNodeList}}

	[[Category:分类训练器]]		[[Category:分类训练器]]

2024年1月17日 (三) 06:28 Wurong

2024-01-17T06:28:37Z

←上一版本		2024年1月17日 (三) 14:28的版本
第88行：		第88行：
	== 参考文献 ==		== 参考文献 ==
	{{reflist}}		{{reflist}}

	{{Navplate AlgorithmNodeList}}		{{Navplate AlgorithmNodeList}}

	[[Category:分类训练器]]		[[Category:分类训练器]]

Wurong：/* 节点使用指南 */

2024-01-17T06:26:06Z

节点使用指南

←上一版本		2024年1月17日 (三) 14:26的版本
第80行：		第80行：
	* 最大叶节点数：以最佳优先的方式种植一棵树。最佳节点定义为杂质的相对减少。如果没有，则叶节点数量不受限制。		* 最大叶节点数：以最佳优先的方式种植一棵树。最佳节点定义为杂质的相对减少。如果没有，则叶节点数量不受限制。
	* 最小不纯度衰减阈值：如果分裂导致杂质减少大于或等于该值，则节点将被分裂。		* 最小不纯度衰减阈值：如果分裂导致杂质减少大于或等于该值，则节点将被分裂。

			===注意事项===
			* 不支持带空值运算，用[[多重插补]]或[[插补空值]]进行插补，
			* 节点不出图，
			* 导入该节点的数据端口为训练数据集，导入前注意转换。

	== 参考文献 ==		== 参考文献 ==

Wurong：/* 节点使用指南 */

2024-01-17T06:24:16Z

节点使用指南

←上一版本		2024年1月17日 (三) 14:24的版本
第60行：		第60行：
	拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。		拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。

	==节点使用指南==		=='''节点使用指南'''==
	* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。		* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
	* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。		* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。

2024年1月17日 (三) 06:23 Wurong

2024-01-17T06:23:35Z

←上一版本		2024年1月17日 (三) 14:23的版本
第61行：		第61行：

	==节点使用指南==		==节点使用指南==
			* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
			* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
	===变量配置===		===变量配置===
	* 选择特征变量：作为特征进行学习的变量（X），多选。		* 选择特征变量：作为特征进行学习的变量（X），多选。

Wurong：/* 变量配置 */

2024-01-17T06:14:34Z

变量配置

←上一版本		2024年1月17日 (三) 14:14的版本
第63行：		第63行：
	===变量配置===		===变量配置===
	* 选择特征变量：作为特征进行学习的变量（X），多选。		* 选择特征变量：作为特征进行学习的变量（X），多选。
	* ~~选择目标变量：作为结局的变量（y）。~~		* 选择目标变量：作为结局的二分类变量（y），单选。

	===参数配置===		===参数配置===

Wurong：/* 参数配置 */

2024-01-17T06:13:03Z

参数配置

←上一版本		2024年1月17日 (三) 14:13的版本
第71行：		第71行：
	** 'gini'：基尼纯度（Gini impurity），		** 'gini'：基尼纯度（Gini impurity），
	** 'log_loss'，		** 'log_loss'，
	** 'entropy'~~:信息熵。~~		** 'entropy'：信息熵。
	* 最大深度：树的最大深度。如果没有，则扩展节点，直到所有叶子都是纯的或直到所有叶子包含少于"最小拆分样本数"的样本。		* 最大深度：树的最大深度。如果没有，则扩展节点，直到所有叶子都是纯的或直到所有叶子包含少于"最小拆分样本数"的样本。
	* 最小拆分样本数：分裂内部节点所需的最小样本数。		* 最小拆分样本数：分裂内部节点所需的最小样本数。

2024年1月17日 (三) 06:11 Wurong

2024-01-17T06:11:26Z

←上一版本		2024年1月17日 (三) 14:11的版本
第47行：		第47行：
	# 有些概念很难学习，因为决策树不容易表达它们，例如异或、奇偶校验或多路复用器问题。		# 有些概念很难学习，因为决策树不容易表达它们，例如异或、奇偶校验或多路复用器问题。
	# 如果某些类占主导地位，决策树学习器会创建有偏差的树。因此，建议在拟合决策树之前平衡数据集。		# 如果某些类占主导地位，决策树学习器会创建有偏差的树。因此，建议在拟合决策树之前平衡数据集。

	~~=== 参考文献 ===~~
	~~{{reflist}}~~

	==示例代码-决策树分类节点==		==示例代码-决策树分类节点==
第82行：		第79行：
	* 最小不纯度衰减阈值：如果分裂导致杂质减少大于或等于该值，则节点将被分裂。		* 最小不纯度衰减阈值：如果分裂导致杂质减少大于或等于该值，则节点将被分裂。

			== 参考文献 ==
			{{reflist}}
	{{Navplate AlgorithmNodeList}}		{{Navplate AlgorithmNodeList}}

	[[Category:分类训练器]]		[[Category:分类训练器]]

2024年1月17日 (三) 06:10 Wurong

2024-01-17T06:10:30Z

←上一版本		2024年1月17日 (三) 14:10的版本
第47行：		第47行：
	# 有些概念很难学习，因为决策树不容易表达它们，例如异或、奇偶校验或多路复用器问题。		# 有些概念很难学习，因为决策树不容易表达它们，例如异或、奇偶校验或多路复用器问题。
	# 如果某些类占主导地位，决策树学习器会创建有偏差的树。因此，建议在拟合决策树之前平衡数据集。		# 如果某些类占主导地位，决策树学习器会创建有偏差的树。因此，建议在拟合决策树之前平衡数据集。

			=== 参考文献 ===
			{{reflist}}

	==示例代码-决策树分类节点==		==示例代码-决策树分类节点==
第78行：		第81行：
	* 最大叶节点数：以最佳优先的方式种植一棵树。最佳节点定义为杂质的相对减少。如果没有，则叶节点数量不受限制。		* 最大叶节点数：以最佳优先的方式种植一棵树。最佳节点定义为杂质的相对减少。如果没有，则叶节点数量不受限制。
	* 最小不纯度衰减阈值：如果分裂导致杂质减少大于或等于该值，则节点将被分裂。		* 最小不纯度衰减阈值：如果分裂导致杂质减少大于或等于该值，则节点将被分裂。

	~~== 参考文献 ==~~
	~~{{reflist}}~~

	{{Navplate AlgorithmNodeList}}		{{Navplate AlgorithmNodeList}}

	[[Category:分类训练器]]		[[Category:分类训练器]]

决策树 - 版本历史

2024年1月19日 (五) 11:28 Zeroclanzhang

2024年1月18日 (四) 09:43 Zeroclanzhang

2024年1月17日 (三) 06:28 Wurong

Wurong：​/* 节点使用指南 */

Wurong：​/* 节点使用指南 */

2024年1月17日 (三) 06:23 Wurong

Wurong：​/* 变量配置 */

Wurong：​/* 参数配置 */

2024年1月17日 (三) 06:11 Wurong

2024年1月17日 (三) 06:10 Wurong

Wurong：/* 节点使用指南 */

Wurong：/* 节点使用指南 */

Wurong：/* 变量配置 */

Wurong：/* 参数配置 */