决策树标签_AI Agent技术社区

决策树

机器学习(十)Python编程-基于信息增益准则生成决策树

本文介绍了基于信息增益准则生成决策树如何通过Python编程实现。主要内容包括：1）数据预处理与常量设置；2）核心算法实现，包含信息熵、信息增益的计算等关键方法；3）生成决策树递归过程的展示。文章详细注释了每个步骤，通过控制台输出清晰呈现递归过程和属性划分过程。程序中特别处理了熵值为0（叶节点）和1（预剪枝）的特殊情况。文末提供了完整代码，可作为决策树实现的参考范例，适合机器学习初学者学习决策树算

 FluxMelodySun
2026-02-16 11:17:30

 339

 12

#机器学习 #python #决策树
我观察了一年，发现90%的Agent教程一开始就教错了

大部分Agent教程，第一节课都在教你"怎么调LLM API"、"怎么写prompt"、"怎么function calling"。

小天才学习机打游戏
2026-05-27 21:03:15

 428

 11

#人工智能 #决策树 #大数据 +2
智频寻优-动态决策树：基于自适应频带搜索和多指标融合的机械故障诊断方法（Python）

本文提出一种基于动态决策树的自适应机械故障诊断算法。该方法通过滤波器组构建候选频带空间，以峭度、基尼系数等为指标函数，采用多树动态决策树算法实现智能频带搜索，自动定位最优故障特征频带。算法平衡探索与利用，显著降低计算量，并自适应匹配不同工况特征。获得最优频带后，通过包络谱分析提取故障特征频率。整个流程无需人工干预，具有强泛化能力和高精度，适用于轴承、齿轮等旋转机械的早期故障诊断。

哥廷根数学学派2023
2026-02-23 14:31:09

 636

 18

#决策树 #python #算法
40%的Agent项目会失败——多Agent协作与可靠性工程

Gartner 预测：到 2027 年，超过 40% 的 Agentic AI 项目会被废弃。不是因为模型不够强，而是因为系统不够可靠。

小天才学习机打游戏
2026-05-29 17:57:15

 246

 6

#人工智能 #决策树 #大数据 +2
机器学习中的决策树

决策树的概念起源对人类决策思维的模拟，通过“如果...那么...”的逻辑链实现分类。核心思想是通过特征划分逐步提高数据纯度，主要算法包括ID3（信息增益）、C4.5（信息增益率）和CART（基尼指数）。决策树容易过拟合，解决方法包括预剪枝（限制生长）和后剪枝（先生长后修剪）。预剪枝简单快速但可能欠拟合，后剪枝泛化能力强但计算复杂。

早點睡..
2026-04-15 11:10:37

 558

 10

#机器学习 #决策树 #人工智能
02-机器学习基础：监督学习——决策树

决策树是一种基于规则学习的机器学习方法，它模仿人类决策过程，通过一系列if-else判断将复杂问题分解为简单决策。核心原理包括：1）通过信息增益或基尼系数选择最佳分裂特征；2）构建树形结构，每个节点代表一个特征判断，分支代表判断结果；3）递归分裂直至满足停止条件。决策树具有直观可解释性强、计算效率高的特点，是数据挖掘和机器学习中的重要工具。

xiaotao131
2026-04-18 07:55:40

 337

 13

#机器学习 #学习 #决策树
图解机器学习算法(8) | 回归树实战：从原理到调参（附Python代码）

本文详细解析了回归树算法在机器学习中的应用，从决策树基础到预测模型构建，再到关键参数调优技巧。通过Python代码示例展示回归树的实现过程，包括数据预处理、模型训练和评估，帮助读者掌握这一强大的非线性关系建模工具。文章特别强调了回归树在房价预测等实际问题中的实战价值。

weixin_30294295
2026-04-18 08:10:29

 404

 3

#机器学习 #决策树
别慌！这份机器学习期末复习清单，帮你搞定决策树、SVM和贝叶斯

本文提供了一份机器学习期末高效复习指南，重点解析决策树、SVM和贝叶斯分类等核心考点。从基础概念到实战应用，涵盖信息增益计算、SVM对偶问题推导、贝叶斯概率计算等高频考题，帮助考生快速掌握关键知识点和应试技巧，轻松应对期末考试。

甜嗑儿
2026-04-18 11:01:26

 373

 4

#机器学习 #决策树
【机器学习】从基尼指数到CART分类树：原理、构建与实战解析

本文深入解析了CART分类树的原理与构建方法，重点介绍了基尼指数在特征选择中的关键作用。通过贷款风控实战案例，展示了如何利用基尼指数构建高效的决策树模型，并对比了基尼指数与信息熵的优缺点，为机器学习实践提供了实用指导。

weixin_30642869
2026-04-20 03:53:03

 314

 5

#机器学习 #决策树
天辛大师对话尤瓦尔·赫拉利：AI预测未来，世界走向何方

硅谷想要用AI取代人，而不少亚洲国家想要用AI解放人，期待人去做AI做不了的事——比如艺术创作、比如情感关怀、比如对生命意义的探索，这就是不同的选择，会走向完全不同的未来。”

天辛大师
2026-04-21 08:14:02

 373

 9

#人工智能 #大数据 #建造者模式 +4
机器学习过拟合解析与决策树/KNN实战对比

过拟合是机器学习模型在训练数据上表现优异但在新数据上性能下降的现象，其本质是模型复杂度与数据量不平衡导致的方差主导。通过偏差-方差分解可以理解，决策树等高方差模型特别容易因深度过大而记忆噪声。实践中，使用scikit-learn进行超参数调优（如max_depth）和交叉验证是识别过拟合的关键技术。不同于决策树，KNN算法表现出独特的过拟合特性——当k=1时训练准确率必然100%，增加邻居数会同时

 weixin_33725239
2026-04-22 11:24:58

 419

 5

#机器学习 #决策树
从零实现机器学习算法：原理、实践与优化

机器学习算法是人工智能的核心基础，理解其底层原理对模型调优和问题诊断至关重要。通过手动实现经典算法如线性回归、决策树和KNN，开发者可以深入掌握梯度下降、信息熵和距离度量等基础概念。在工程实践中，算法实现常面临数值稳定性、计算效率和维度灾难等挑战，这促使我们使用向量化运算、Cython加速等优化技术。从sklearn调用到自主实现的转变，不仅能提升调试能力，还能培养对超参数作用的直觉认知。这种实践

 大思兄的视界
2026-04-23 15:32:14

 323

 13

#线性回归 #决策树
十分钟快速入门机器学习：从零到一的实战指南

机器学习作为人工智能的核心技术，通过算法使计算机从数据中学习规律并做出预测。其核心原理是构建数学模型，利用训练数据优化模型参数。在工程实践中，Scikit-learn等开源库大幅降低了实现门槛，使开发者能快速验证想法。典型的应用场景包括分类、回归和聚类任务，例如鸢尾花分类或房价预测。本文以决策树模型为例，结合Google Colab云环境，演示如何在十分钟内完成数据加载、模型训练和评估全流程。对于

 高天艳阳
2026-04-23 16:15:48

 224

 7

#机器学习入门 #决策树
从‘好瓜’到‘好模型’：用决策树可视化带你一步步拆解机器学习分类过程（附完整Python代码）

本文通过Python代码实战演示了决策树算法在西瓜分类中的应用，详细解析了从特征选择到模型可视化的全过程。文章结合西瓜数据集，介绍了ID3、C4.5和CART等决策树变体的差异，并提供了避免过拟合的实用技巧。通过完整的项目示例，帮助读者掌握决策树的核心原理和实际应用。

weixin_33713707
2026-05-03 08:46:28

 630

 18

#决策树 #机器学习 #数据可视化
hjhjhgygyg

vggggggggg。

g9855
2026-05-03 13:19:03

 342

 13

#支持向量机 #深度优先 #决策树
决策树实战：从20个问题游戏解析机器学习分类与交互式系统设计

决策树是一种经典的机器学习分类算法，它通过树形结构模拟人类决策过程，每个内部节点代表一个特征判断，分支代表判断结果，叶子节点则对应最终的分类类别。其核心原理是利用信息增益或基尼不纯度等指标，递归地选择最优特征进行数据划分，从而构建出具有良好泛化能力的模型。在工程实践中，决策树因其直观易懂、可解释性强、无需复杂数据预处理等优势，被广泛应用于金融风控、医疗诊断、推荐系统等场景。本文以经典的“20个问题

 weixin_30536513
2026-05-05 11:16:39

 422

 7

#决策树
决策树实战：可解释机器学习的落地工作流

决策树作为最基础的可解释机器学习模型，其核心价值不在于预测精度，而在于将数据规律转化为人类可理解、业务可验证、合规可审计的分步推理逻辑。它基于信息增益或基尼不纯度等分裂准则，通过递归分割构建白盒结构，天然适配医疗诊断、金融风控等强解释性场景。相比黑盒模型，决策树支持特征语义对齐、决策路径追溯与SOP嵌入，是模型落地前不可或缺的‘信任锚点’。本文聚焦Scikit-learn生产级实践，覆盖Pima糖

 weixin_30394981
2026-05-08 16:46:30

 439

 8

#决策树
泰坦尼克号实战：从数据清洗到Kaggle提交的完整机器学习闭环

决策树是理解机器学习建模逻辑的基础模型，其核心在于通过基尼不纯度或信息增益实现特征空间的最优分割；而真实项目中的数据清洗、缺失值语义处理、特征编码选择与超参数调优，共同构成模型泛化能力的底层支柱。在Titanic这类经典入门任务中，‘缺失值不是统计问题而是业务语义问题’‘特征编码本质是信息保真度博弈’等原则直指工业级建模痛点。本文以Kaggle泰坦尼克生存预测为载体，覆盖数据合并防泄露、分组中位数

 weixin_30617695
2026-05-10 10:59:24

 646

 15

#决策树
基尼指数：从经济学不平等度量到机器学习分裂准则

基尼指数本质上是一种衡量分布离散程度的统计工具，其核心原理是通过比例结构而非绝对数值来量化不纯度或不平等性。它在经济学中用于评估收入分配公平性，在机器学习中则被重构为分类节点的‘随机猜错率’，成为决策树分裂的关键依据。相比香农熵和误分类率，基尼指数具备计算高效、数学可导、业务解释性强等技术优势，广泛应用于风控、推荐、医疗等需兼顾精度与可解释性的工业场景。本文深入剖析其跨学科演化逻辑，并结合scik

swuxiami03
2026-06-12 13:52:25

 441

 4

#决策树
回归树入门：手绘可解释的房价预测模型

回归树是一种基于分段常数函数的机器学习模型，其核心原理是通过特征空间的递归二分切割，实现局部最优的均值预测。相比黑箱模型，它以MSE为优化目标、以贪婪策略选择分割点，在保证一定精度的同时，天然具备强可解释性与业务对齐能力。技术价值体现在无需复杂数学基础即可理解决策路径，支持人工复现与跨角色沟通；典型应用场景包括金融风控、房产估价、医疗预后判断等需合规说明的领域。本文以静安区二手房数据为例，详解从特

 美好发烧友
2026-06-16 14:05:25

 270

 5

#决策树
决策树不是黑箱：可解释机器学习的透明逻辑与业务落地

决策树是一种基于if-else规则链的可解释机器学习模型，其核心原理是通过单特征二元分裂构建人类可读的决策路径。它不依赖抽象参数拟合，而是以明文结构（节点、阈值、叶子分布）直接映射业务逻辑，具备路径即证据、节点即决策点、深度即推理粒度三大技术价值。相比随机森林或神经网络，决策树无需SHAP等外部解释工具，天然支持单样本追踪、阈值审计与规则导出，广泛应用于风控审核、医疗辅助、智能客服等需高可信解释的

 许风倾秋
2026-06-17 14:20:02

 247

 10

#决策树
【C++八股文】数据库篇：从连接到优化全面解析

数据库基础：了解了不同类型数据库及其特点连接管理：掌握了如何使用C++连接MySQL和SQLite数据库CRUD操作：学会了执行增删改查等基本数据库操作事务处理：理解了ACID特性及如何在C++中实现事务管理性能优化：掌握了索引优化、查询优化和结构优化的关键技术高级主题：了解了连接池、ORM等高级概念掌握这些知识将帮助你在C++面试中更好地应对数据库相关的问题，同时也能在实

 C语言小火车
2025-09-01 17:56:01

 871

 16

#数据结构 #算法 #决策树 +2
高效缓存系统：C++实现LFU策略

摘要：本文介绍了一种基于C++实现的LFU（最少使用）缓存系统。LFU策略根据数据访问频率决定淘汰顺序，适用于长期热点数据场景。系统采用哈希表+红黑树结构实现O(1)时间复杂度的get/put操作，包含线程安全支持和性能优化。通过对比测试展示了LFU在周期性访问模式下的优势，并分析了其适用场景（如视频点播、电商推荐）及潜在问题（如突发流量导致的缓存污染）。完整代码已开源。

Hanaxss
2025-10-08 14:02:57

 991

 31

#缓存 #c++#开发语言 +4
C#面向对象编程实践

面向对象编程（Object-Oriented Programming，OOP）是一种基于对象概念的编程范式，C#作为现代编程语言全面支持OOP特性。封装通过访问修饰符（public、private、protected）实现数据隐藏，确保对象内部状态的安全性。只读属性通过省略set访问器实现，init访问器（C#9.0）提供对象初始化期间的赋值能力。此外，DRY（Don't Repeat Yours

welwuminghao
2025-10-02 05:44:18

 665

 23

#决策树
C#架构设计模式

在实际的C#项目开发中，设计模式的应用需要遵循一些最佳实践。最后，设计模式的应用应该注重测试驱动开发，确保模式的实现不仅满足功能需求，还具有良好的可测试性。C#语言的特性和.NET框架的丰富类库为各种设计模式的实现提供了强大支持，使得开发者能够构建更加健壮和灵活的应用程序架构。C#中的ICloneable接口为原型模式提供了基础支持，结合序列化技术可以实现深拷贝，适用于创建成本高昂的对象或需要保存

 十尾鱼
2025-10-02 06:20:22

 978

 6

#决策树
用 Python 实现 Gini 决策树分类与可视化-机器学习

本文通过 “环境准备→数据生成→模型训练→可视化” 的完整流程，实现了基于 Gini 指标的决策树分类与可视化。Graphviz 需双重安装：必须同时安装 “核心程序” 和 Python 的graphviz库；数据生成符合题目要求：X 为 100×4 随机矩阵，Y 为二分类标签（含大于 2 的样本）；决策树参数可控：通过criterion='gini’和max_depth=3实现题目要求；结果可验

 m0_54846764
2025-10-11 13:52:21

 1099

 31

#机器学习 #python #决策树
Python 对接足球 API 开发指南：全速体育数据实战应用

全速体育数据API为开发者提供全球100+职业联赛的足球数据支持，Python生态中的football-api-wrapper库简化了接入流程。通过3行核心代码即可获取实时比分、球员热区等30余项专业数据，支持缓存配置和高并发采集。该方案适用于媒体战报生成、俱乐部人才评估和竞猜风控等场景，配合7×24小时技术支持，成为体育科技创新的重要基础设施。

apiballs
2025-10-13 20:32:55

 408

 1

#数据结构 #动态规划 #决策树 +3
C++的“决策树”：精通回溯法解决子集和问题

C++回溯法解决子集和问题本文介绍如何使用回溯法解决经典的子集和问题，即从给定整数集合中寻找和等于目标值的子集。回溯法通过系统性地探索所有可能的组合（“装入”或“不装”每个元素），在发现当前路径不满足条件时自动回溯。核心思想：递归决策：对每个元素进行“装入”或“不装”的选择剪枝优化：提前终止不可能达到目标的路径回溯撤销：撤销无效选择并尝试其他可能性实现要点：使用vector动态记录当

 weixin_42107409
2025-10-30 20:32:38

 686

 14

#c++#决策树 #算法
重生归来，我要成功 Python 高手--day33 决策树

β的信息熵为:-1/2*log21/2+-1/4*log21/4+-1/8*log21/8+-1/8*log21/8=1.75。：信息增益率=信息增益/特征熵---->=信息增益*1/特征熵1/特征熵类似于惩罚系数。类别的和为：A的熵-1/2log2(1/2)B的熵 -1/2log2(1/2)和为1。阿尔法的条件熵为：-3/4*log2(3/4)+(-1/4)*log2(1/4)=0.81。

心中有禾
2025-11-08 21:56:16

 544

 4

#python #决策树 #开发语言
C++自动驾驶仿真平台测试与算法稳定性研究

摘要：本文探讨C++在自动驾驶仿真平台中的关键作用，针对L4/L5级自动驾驶测试需求，提出分层测试方法论。通过单元测试、模块集成、场景回归等策略解决多传感器融合、算法随机性等挑战，并结合性能优化实践使决策延迟降低30%、场景覆盖率达95%。研究证明C++在高并发仿真中的性能优势，为未来智能场景生成和虚实闭环测试奠定基础，支撑自动驾驶技术商业化落地。（149字）

2501_94056519
2025-11-09 19:31:57

 897

 12

#决策树 #leetcode
告别一刀切！RAG系统中的文本分块艺术：8种策略助你从小白变大神（附完整代码）

文章介绍了基于大语言模型的RAG系统中8种高级文本分块策略：滑动窗口、自适应分块、基于实体分块、混合分块、任务感知分块、HTML/XML标签拆分、基于抽象语法树的代码拆分和正则表达式分块。每种策略均配有Python示例和适用场景分析，帮助开发者根据内容类型、任务需求和文档结构选择最合适的分块方法，显著提升检索准确率和生成质量，是优化RAG系统性能的实用指南。

Android女王
2025-11-13 14:24:39

 304

 3

#决策树 #算法 #音视频 +1
作业2：用 Python 实现 ID3 与 C4.5 决策树

特征取值为 0 时的处理：计算信息增益比时需避免 IV=0（本文已处理）。递归终止条件：必须判断 “所有样本同类别” 或 “无特征可划分”，否则会无限递归。数据格式：确保 X 和 y 是 DataFrame/Series，避免数组索引混乱。算法特征选择准则优点缺点ID3信息增益简单易实现、计算快偏向取值多的特征C4.5信息增益比平衡特征取值影响计算量略大。

sknxj
2025-11-13 17:32:38

 495

 18

#python #决策树 #开发语言
AI Agent记忆系统深度实现：从短期记忆到长期人格的演进

摘要：本文提出了一套完整的AIAgent记忆管理系统解决方案，解决了现有智能体存在的"金鱼记忆"问题。系统采用MemoryStream架构，集成向量检索、时间衰减、动态权重等技术，支持千万级记忆条目管理，实现94.7%的精准召回率。通过创新性引入反思机制、记忆压缩和分层检索策略，显著提升对话连贯性67%。系统包含可直接集成到ReAct/AutoGPT架构的模块化代码，支持记忆巩

 Blossom.116
2025-11-13 22:04:54

 510

 6

#人工智能 #决策树 #算法 +4
Python 决策树分类算法分析与实现

决策树是一种高效可解释的分类算法，通过树形结构和if-then规则实现分类。其核心组件包括根节点、内部节点和叶节点，采用信息增益、增益比或基尼系数等准则进行特征划分。Python实现可通过scikit-learn库完成，支持参数调优和可视化分析。代码示例展示了使用鸢尾花数据集训练决策树的全流程，包括数据加载、模型训练、参数优化、性能评估和特征重要性分析，突出决策树模型可读性强、分类快速的特点。

2510_93465682
2025-11-15 10:16:57

 334

 9

#python #决策树 #分类
Python 决策树计算熵、gini系数、误分率

摘要：本文介绍了决策树算法中三种常用的特征划分标准——信息熵、基尼系数和误分率。这些指标用于评估数据集的纯度或不纯度，其中信息熵度量不确定性，基尼系数衡量纯度，误分率反映分类错误概率。通过Python代码实现了三种指标的计算方法，包括信息增益和基尼增益的计算功能，可用于决策树特征选择。信息熵对多取值特征有偏好，而基尼系数计算更简单，通常作为默认选择。实验结果显示，这些方法能有效评估特征对数据集划分

 2510_93465682
2025-11-15 10:20:34

 284

 4

#python #决策树 #开发语言
C++在游戏中的AI决策树

有时候，为了追求极致的速度，我们甚至会放弃运行时构建的灵活性，采用一种“编译时”决策树，利用模板元编程等技巧，在编译期就把整棵树的判断逻辑固定下来，生成效率极高的代码。比如，“如果血量低于50%”这个条件，可以改成“如果血量低于(50% + 随机[-10%, 10%])”，这样AI就不会每次都在精确的50%血线逃跑了，玩家会觉得它更智能。所以，对于稍大点的项目，咱们就得考虑更优雅点的玩法——把决策

 t***D264
2025-11-25 02:03:28

 270

 3

#游戏 #决策树 #算法
OpenAI API：LLM编程的事实标准（上）

这一讲，我们讲了我们需要了解 OpenAI API，因为它已经成了大模型编程领域的事实标准。很多模型的接口设计都会参考它，也有一些项目用它的接口提供了对不同模型的访问能力。OpenAI API 包含了很多内容，比如，文本生成、图像生成、文本转向量等等。其中，最核心的接口就是聊天补全。核心参数工程参数工具参数模型参数其中，我们最需要了解的就是核心参数，如果你有开发 Agent 的需求，工具参数也值得

 用心去追梦
2025-12-03 11:37:28

 862

 24

#深度学习 #决策树 #人工智能
AI Agent的决策树构建：复杂问题的解决策略

决策树作为机器学习中最基础且强大的算法之一，在AI Agent的决策系统中扮演着至关重要的角色。本文旨在全面解析决策树在AI Agent中的应用，包括其理论基础、构建方法、优化策略以及实际应用场景。文章范围涵盖从基本概念到高级应用的完整知识体系，特别关注如何利用决策树解决复杂决策问题。文章首先介绍决策树的基本概念和背景知识，然后深入探讨其数学原理和算法实现。接着通过Python代码示例展示实际应用

 AA尚诺传承
2026-01-05 22:38:21

 1098

 18

#人工智能 #决策树 #算法
微调决策树：何时使用Prompt Engineering，何时选择Fine-tuning？

微调决策树：何时使用Prompt Engineering，何时选择Fine-tuning？

Yeats_Liao
2026-02-01 11:27:45

 1214

 28

#决策树 #前端 #人工智能 +3
信息熵与信息增益 Python 3.12 实战：从公式到代码，5步实现决策树特征选择

本文详细介绍了如何利用Python 3.12实现决策树特征选择中的信息熵与信息增益计算。通过5个步骤从理论推导到代码实现，帮助开发者掌握核心算法，并优化计算性能。文章包含实战案例和工程优化建议，适合机器学习初学者和进阶者。

淘房记
2026-07-05 10:45:50

 308

 6

#决策树
决策树 ID3 算法实战：Python 手写 20 行代码，信息增益计算与可视化

本文详细介绍了如何使用 Python 从零实现决策树 ID3 算法，包括信息增益计算与可视化。通过 20 行核心代码，展示了如何基于信息论中的熵概念构建决策树，并利用 Graphviz 进行可视化，帮助读者深入理解这一经典机器学习算法的工作原理及其在人工智能领域的应用。

weixin_29094539
2026-07-06 12:10:11

 253

 9

#机器学习 #决策树 #人工智能
决策树 ID3 算法实战：从熵与信息增益到 Python 代码实现（附 1 个完整案例）

本文详细解析了决策树ID3算法的核心原理，包括熵与信息增益的数学计算，并通过Python代码实现完整的决策树构建流程。通过餐厅吸引力预测案例，展示了从数据预处理到模型评估的全过程，帮助读者掌握机器学习中的经典分类算法实现技巧。

weixin_34289454
2026-07-06 14:47:13

 401

 7

#机器学习 #决策树