颜色分类leetcode dsc 3 31 09 regression cart trees codealong nyc car

颜色分类leetcode使用CART树进行回归介绍

正如我们所了解的，决策树是一种受监督的机器学习模型，可用于分类和回归任务。我们已经看到，决策树使用树结构来预测分类任务中给定输入示例的输出类别。

对于回归分析，在树中，从根节点到叶节点的每条路径都代表一条以预测值结尾的决策路径。

在本课中，我们将通过一个简单的示例了解如何使用决策树回归器执行回归。

目标

你将能够：

• 理解和解释递归分区

• 了解CART树递归划分样本空间背后的数学原理

• 使用回归树运行简单的回归实验并评估/可视化结果

递归分区

线性回归被认为是一个全局模型，因为在整个样本空间中只有一个模型。

对于包含复杂非线性关系的特征数据，构建单一的全局模型可能非常困难且计算复杂。

处理非线性回归的另一种方法是将样本空间划分为更小的区域，正如我们在分类树课程中看到的。

这在回归中没有太大的不同——我们的目标是将样本划分成更小的、更简单的子集，直到能够为它们拟合简单的线性回归模型。