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。