决策树算法真的越复杂越好吗？

2016-05-25

决策树算法真的越复杂越好吗？ 凡是在统计分析或机器学习领域从业的朋友们，对决策树这个名词肯定都不陌生吧。 决策树是一种解决分类问题的绝好方法，顾名思义，它正像一棵大树一样，由根部不断生长出很多 ...

数据挖掘之决策树分类

2016-05-19

数据挖掘之决策树分类 1. 理论知识 决策树分类算法的一般流程如下：一开始，所有的实例均位于根节点，所有参数的取值均离散化；根据启发规则选择一个参数，根据参数取值的不同对实例集进行分割； ...

基于变精度粗糙集的决策树优化算法研究

2016-05-17

基于变精度粗糙集的决策树优化算法研究 决策树是指用树形结构来表示决策集合，是一种直观的知识表示方法，同时也是高效的分类器，可以非常容易地产生关联规则。 其中每个内部节点表示在一个属性上的测试，每个 ...

定位目标找用户，分类筛选决策树

2016-05-07

定位目标找用户，分类筛选决策树 营销测试方法通过广告宣传引导用户开通或试用产品，并分析其中响应的用户特点。与营销测试有所不同，存量用户建模的反馈数据不需要经过市场测试，而是根据存量用户是否使用该产品 ...

SAS-EM 决策树操作案例

2016-04-07

摘要：决策树主要用来描述将数据划分为不同组的规则。第一条规则首先将整个数据集划分为不同大小的子集，然后将另外的规则应用在子数据集中，数据集不同相应的规则也不同，这样就形成第二层数据集的划分。一般来说 ...

决策树分类和预测算法的原理及实现

2016-03-22

算法决策树是一种通过对历史数据进行测算实现对新数据进行分类和预测的算法。简单来说决策树算法就是通过对已有明确结果的历史数据进行分析，寻找数据中的特征。并以此为依据对新产生的数据结果进行预测。 决策树由 ...

数据挖掘中决策树算法的研究及探讨

2016-02-15

数据挖掘中决策树算法的研究及探讨 随着计算机硬件和软件的飞速发展，尤其是数据库技术应用的日益普及，人们面临着快速扩张的数据海洋，如何有效的运用，成为我们信息工作者所关注的焦点，数据挖掘就是从大型数 ...

R语言学习之决策树

2015-12-10

R语言学习之决策树 决策树最重要的2个问题：决策树的生长问题，决策树的剪枝问题。     生长问题又包括了2个子问题：从分组变量的众多取值中选择一个最佳分割点和从众多输入变量中 ...

白话一下什么是决策树模型

2015-12-10

白话一下什么是决策树模型 有一天，小明无聊，对宿舍玩CS的舍友进行统计，结果刚记下四行，被舍友认为影响发挥，给踢到床下去了，让我们看看可怜的小明的记录： ----------------------------- ...

SAS决策树：信贷风险建模试验

2015-12-07

SAS决策树：信贷风险建模试验 信贷风险建模试验 一、 概论 决策树通过应用一系列简单的规则建立起对观测数据的分类。决策树对于观测值的分类建立在变量的输入值基础上。每条规则都是在前一条规则形 ...

逻辑回归与决策树在分类上的一些区别

2015-11-28

逻辑回归与决策树在分类上的一些区别  营销预测模型的目标变量很多为一种状态或类型，如客户“买”还是“不买”、客户选择上网方式为 “宽带”还是“拨号”、营销战通道是邮件、电话、还是网络。我 ...

基于R语言和SPSS的决策树算法介绍及应用

2015-10-13

基于R语言和SPSS的决策树算法介绍及应用 机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。决策树是机器学习中最基础且应用最广泛的算法模型。本文介绍了机器学习的相关概念、常见 ...

一小时了解数据挖掘⑤数据挖掘步骤＆常用的聚类、决策树和CRISP-DM概念---数据分析师

2014-12-11

数据挖掘有很多不同的实施方法，如果只是把数据拉到Excel表格中计算一下，那只是数据分析，不是数据挖掘。本文主要讲解数据挖掘的基本规范流程。CRISP-DM和SEMMA是两种常用的数据挖掘流程。 数据挖掘的一般步骤 ...

一小时了解数据挖掘⑤数据挖掘步骤＆常用的聚类、决策树和CRISP-DM概念

2014-10-27

一小时了解数据挖掘⑤数据挖掘步骤＆常用的聚类、决策树和CRISP-DM概念 数据挖掘有很多不同的实施方法，如果只是把数据拉到Excel表格中计算一下，那只是数据分析，不是数据挖掘。本文主要讲解数据挖掘的基本规 ...

【CDA干货】特征重要性分析：解锁机器学习模型价值的核心钥匙

2026-04-20

在机器学习建模全流程中，特征工程是连接原始数据与模型效果的关键环节，而特征重要性分析则是特征工程的“灵魂”——它不仅能帮我们筛选冗余特征、优化模型结构，更能破解模型“黑箱”困境，揭示数据与目标变量之间 ...

【CDA干货】数据分析与数据挖掘：必备工具与核心技能全解析

2026-04-17

在数字化时代，数据已成为企业决策的核心驱动力，数据分析与数据挖掘作为解锁数据价值的关键手段，广泛应用于互联网、金融、医疗、零售等各个领域。数据分析聚焦“解读数据、发现规律”，回答“是什么、为什么”；数 ...

【CDA干货】随机森林特征重要性分析：原理、方法与实操指南

2026-04-16

在机器学习建模实践中，特征工程是决定模型性能的核心环节之一。面对高维数据集，冗余特征、无关特征不仅会增加模型训练成本、延长训练时间，还可能引发过拟合，降低模型泛化能力，甚至掩盖关键特征的真实影响。随机 ...

【CDA干货】模型质量测试对比：方法、维度与实操指南

2026-04-14

在人工智能与机器学习落地过程中，模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型，还是推荐、预测类模型，只有通过科学、全面的测试对比，才能精准判断模型的性能边界、适用场景，避免因模型偏 ...

【CDA干货】学习曲线：验证机器学习模型过拟合的核心工具与实践指南

2026-04-13

在机器学习模型开发过程中，过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节，导致在训练集上表现优异，却在未见过的验证集、测试集上性能大幅下滑，最终失去实际应用价值[3][6]。传 ...

【CDA干货】集成学习赋能模型不确定性分析：原理、方法与实践

2026-04-10

在机器学习模型的落地应用中，预测精度并非衡量模型可靠性的唯一标准，不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、金融风控等安全关键领域，模型的过度自信或不确定性误判，可能引发致命后果——自动驾 ...