可生成图片类型（推荐）
可生成数据表类型（推荐）
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
AdaBoost  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | AdaBoost |
| 功能主类别 | 机器学习 |
| 英文缩写 | AdaBoost |
| 功能亚类别 | 分类训练器 |
| 节点类型 | 数据挖掘 |
| 开发语言 | Python |
| 节点简介 | |
AdaBoost（Adaptive Boosting）是一种集成学习算法，通过迭代地训练一系列的弱学习器（通常是决策树），并将它们组合成一个强大的预测模型。 与其他集成学习方法不同，AdaBoost通过调整样本权重来适应先前弱学习器的错误，从而提高整体模型的准确性。 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 2个 |
| Output-出口 | 3个 |
| Loop-支持循环 | 否 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 梯度提升树 |
| 下一节点 | XGBoost |
算法概述
示例代码-决策树分类节点
该节点使用Python编写，调用scikit-learn包[1]。以下为示例代码：
from sklearn import tree
X = [[0, 0], [1, 1]]
Y = [0, 1]
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, Y)
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
- 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
- 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：作为结局的二分类变量（y），单选。
参数配置
- 设置随机数：控制模型的随机性。
- 拆分策略：用于在每个节点选择分裂的策略，包含最佳分割和随机分割。
- 损失函数算法选择：衡量分割质量的函数。支持的标准为
- 'gini'：基尼纯度（Gini impurity），
- 'log_loss'，
- '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。
- 最小拆分样本数：分裂内部节点所需的最小样本数。
- 叶节点最小样本数：叶节点所需的最小样本数。该参数仅当任何深度的分割点在左右分支中至少留下训练样本时，才会被考虑。这可能具有使模型平滑的效果，尤其是在回归中。
- 最大特征数：寻找最佳分割时要考虑的特征数量。
- 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。
注意事项
参考文献
- ↑ Kramer, Oliver (2016). "Scikit-learn". Machine learning for evolution strategies. Springer: 45--53.
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
