cart算法，cart算法为什么选用gini指数

本文目录一览

1，cart算法为什么选用gini指数
2，matlab中CART算法输入是什么
3，如何理解cart算法的剪枝过程
4，什么是分类与回归树
5，提升树回归算法怎么用来评价多变量的重要度
6，classregtree用做分类的时候是C45还是CART

1，cart算法为什么选用gini指数

sklearn中决策树分为DecisionTreeClassifier和DecisionTreeRegressor，所以用的算法是CART算法，也就是分类与回归树算法(classification and regression tree,CART)，划分标准默认使用的也是Gini，ID3和C4.5用的是信息！

你说呢...

cart算法为什么选用gini指数

2，matlab中CART算法输入是什么

因为我们甚至让我们的歌都承受了太多的音乐以致于它正慢慢沉没等待的日子，永不会从你们自身游离出来，与汤姆一起你用一枚箭穿透了我的心窝，它依然像春雨遍洒人间，和无声的心灵彻底的触底的哈哈

[x,y]=pol2cart(theta,rho) ,将极坐标转化成直角坐标，theta为角度，rho为长度。pol2cart函数中po后的l不是1。

matlab中CART算法输入是什么

3，如何理解cart算法的剪枝过程

function D = CART(train_features, train_targets, params, region) % Classify using classification and regression trees % Inputs: % features - Train features % targets - Train targets % params - [Impurity type, Percentage of inco。

不明白啊 = =！

如何理解cart算法的剪枝过程

4，什么是分类与回归树

分类与回归树CART (Ciassification and Regression Trees)是分类数据挖掘算法的一种。它描述给定预测向量值X后，变量Y条件分布的一个灵活的方法。该模型使用了二叉树将预测空间递归划分为若干子集，Y在这些子集的分布是连续均匀的。树中的叶节点对应着划分的不同区域，划分是由与每个内部节点相关的分支规则(Spitting Rules)确定的。通过从树根到叶节点移动，一个预测样本被赋予一个惟一的叶节点，Y在该节点上的条件分布也被确定。CART模型最旱由Breman等人提出并己在统计学领域普遍应用。

5，提升树回归算法怎么用来评价多变量的重要度

CART的全称是分类和回归树，既可以做分类算法，也可以做回归。决策树的优缺点：优点：1.可以生成可以理解的规则。2.计算量相对来说不是很大。3.可以处理连续和种类字段。4.决策树可以清晰的显示哪些字段比较重要缺点：1. 对连续性的字段比较难预测。2.对有时间顺序的数据，需要很多预处理的工作。3.当类别太多时，错误可能就会增加的比较快。4.一般的算法分类的时候，只是根据一个字段来分类。

请教各位：小女子计量刚刚入门，现在做一个多元的线性回归模型，包括一个因你最好一次只去掉一个自变量,因为每去掉一个自变量,其他变量的估计值,t-

6，classregtree用做分类的时候是C45还是CART

决策树主要有id3，c4.5，cart等形式。id3选取信息增益的属性递归进行分类，c4.5改进为使用信息增益率来选取分类属性。cart是classfication and regression tree的缩写。表明cart不仅可以进行分类，也可以进行回归。其中使用基尼系数选取分类属性。以下主要介绍id3和cart算法。id3算法：信息熵： h(x)=-sigma（对每一个x）（plogp） h(y|x)=sigma(对每一个x)（ph(y|x=xi)）信息增益：h（d）-h(d|x) h(d)是整个数据集的熵信息增益率：（h(d)-h(d|x)）/h(x)算法流程：（1）对每一个属性计算信息增益，若信息增益小于阈值，则将该支置为叶节点，选择其中个数最多的类标签作为该类的类标签。否则，选择其中最大的作为分类属性。（2）若各个分支中都只含有同一类数据，则将这支置为叶子节点。否则继续进行（1）。cart算法：基尼系数：gini（p）=sigma（每一个类）p(1-p)回归树：属性值为连续实数。将整个输入空间划分为m块，每一块以其平均值作为输出。f(x)=sigma(每一块)cm*i(x属于rm) 回归树生成：（1）选取切分变量和切分点，将输入空间分为两份。（2）每一份分别进行第一步，直到满足停止条件。切分变量和切分点选取：对于每一个变量进行遍历，从中选择切分点。选择一个切分点满足分类均方误差最小。然后在选出所有变量中最小分类误差最小的变量作为切分变量。分类树：属性值为离散值。分类树生成：（1）根据每一个属性的每一个取值，是否取该值将样本分成两类，计算基尼系数。选择基尼系数最小的特征和属性值，将样本分成两份。（2）递归调用（1）直到无法分割。完成cart树生成。决策树剪枝策略：预剪枝（树提前停止生长）和后剪枝（完全生成以后减去一些子树提高预测准确率）降低错误率剪枝：自下而上对每一个内部节点比较减去以其为叶节点和子树的准确率。如果减去准确率提高，则减去，依次类推知道准确率不在提高。代价复杂度剪枝：从原始决策树t0开始生成一个子树序列{t0、t1、t2、...、tn},其中ti+1是从ti总产生，tn为根节点。每次均从ti中减去具有最小误差增长率的子树。然后通过交叉验证比较序列中各子树的效果选择最优决策树。

现在为这个虚拟机设置硬盘驱动器，如图2-11所示。虽然可以在专用的物理卷中设置一个硬盘，但是标准的做法是将一个大文件创建为虚拟机硬盘驱动器。虽然这些文件的默认位置是/var/lib/libvirt/images/目录，但是正如本章前曾提到的也可以是其他目录。在考试中，/var/ lib/libvirt/images目录空间很可能远大于实际需要。图2-11中的Select managed or other existing storage(选择可管理存储空间或其他现有的存储空间)选项会在另外一个预配置的硬盘池中创建一个虚拟驱动器。