- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习AI算法工程
决策树原理与应用：C5.0
非数据挖掘类的软件的基本原理往往是演绎，软件能通过一系列的运算，用已知的公式对数据进行运算或统计。分类预测的基本原理是归纳，是学习，是发现新知识和新规律；二是指导性学习。 2.2Clementine的C5.0的算法及应用 C5.0是C4.5的商业化版本，因此算法细节因版权问题尚未公开，本节讨论的是与C5.0算法核心相同的C4.5算法。 2.2.2 C5.0的决策树生长算法 一、如何从众多的分组变量中选择一个最佳的分组变量 C5.0以信息论为指导，以信息增益率为标准确定最佳分组变量和分割点。 2.2.3 C5.0的剪枝算法 C5.0采用Post-Pruning法从叶节点向上逐层剪枝，其关键是误差的估计及剪枝标准的设置。 2.2.4 C5.0的推理规则集 C5.0不有够构建决策树，同时还可以生成推理规则集。但是从决策树导入推理规则集非常烦锁，推理规则集通常有自己生成算法，即PRISM。
4.9K61发布于 2018-03-13 - 来自专栏深度学习之tensorflow实战篇
MODELER C5.0
机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。 2.算法分类 机器学习的算法繁多，其中很多算法是一类算法，而有些算法又是从其他算法中衍生出来的，因此我们可以按照不同的角度将其分类。 常见的聚类算法包括 K-Means 算法以及期望最大化算法 (Expectation Maximization) 等。 4、人工神经网络：模拟生物神经网络，是一类模式匹配算法。 5、添加 C5.0 节点，使用默认的参数设置。 6、点击运行，生成一个模型 Drug。 ? 图15. 模型流图 在生成模型 Drug 以后，我们可以在模型页面中浏览 Drug 模型。 打开 Drug 模型以后，可在规则浏览框中以决策树形式显示 C5.0 节点所生成的规则集。还可以通过更复杂的图表形式查看同一决策树。如下图所示： ? 图16.
1K60发布于 2019-02-14 - 来自专栏用户5637037的专栏
量子版分类决策树构造算法C5.0
原文标题：The Quantum Version Of Classification Decision Tree Constructing Algorithm C5.0 摘要：本文重点研究了C5.0算法构造决策树分类器的复杂性 ，该算法是机器学习分类问题的模型。 首先，我们对经典版本进行了改进，新版本的运行时间为O(h⋅d⋅N原木N)..其次，我们提出了该算法的量子版本，它使用了基于Grover算法的振幅放大和D{ürr-H{o}yer最小搜索算法等量子子程序。 量子算法的运行时间是O(h⋅d−−√原木d⋅N原木N)这比经典算法的复杂度要好。
1.2K30发布于 2019-07-17 - 来自专栏深度学习之tensorflow实战篇
MODELER C5.0
机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。 2.算法分类 机器学习的算法繁多，其中很多算法是一类算法，而有些算法又是从其他算法中衍生出来的，因此我们可以按照不同的角度将其分类。 常见的聚类算法包括 K-Means 算法以及期望最大化算法 (Expectation Maximization) 等。 4、人工神经网络：模拟生物神经网络，是一类模式匹配算法。 5、添加 C5.0 节点，使用默认的参数设置。 6、点击运行，生成一个模型 Drug。 ? 图15. 模型流图 在生成模型 Drug 以后，我们可以在模型页面中浏览 Drug 模型。 打开 Drug 模型以后，可在规则浏览框中以决策树形式显示 C5.0 节点所生成的规则集。还可以通过更复杂的图表形式查看同一决策树。如下图所示： ? 图16.
1.3K61发布于 2018-03-19 - 来自专栏深度学习之tensorflow实战篇
SPSS Modeler 介绍决策树
决策树演算法 (Decision Tree) 简介 决策树演算法的原理 决策树演算法是在进行数据挖掘时经常使用的分类和预测方法。 决策树演算法的基本原理为：通过演算法中所规定的分类条件对于整体数据进行分类，产生一个决策节点，并持续依照演算法规则分类，直到数据无法再分类为止。 决策树演算法的比较 决策树演算法依据其演算原理以及可适用分析数据类型的不同延伸出多种决策树演算法。 鉴于篇幅所限，以下部分将会针对这四类决策树演算法进行简单的介绍和比较，而详细演算法原理将不会在本文中详述。 1. C5.0 由 C4.5 演化而来。 使用 boosting：C5.0 算法有一个特殊的方法用于提高其准确率，称为 boosting。它的工作原理是在序列中构建多个模型。第一个模型按常规方式进行构建。
2K80发布于 2018-03-16 - 来自专栏深度学习之tensorflow实战篇
SPSS Modeler 介绍决策树
决策树演算法 (Decision Tree) 简介 决策树演算法的原理 决策树演算法是在进行数据挖掘时经常使用的分类和预测方法。 决策树演算法的基本原理为：通过演算法中所规定的分类条件对于整体数据进行分类，产生一个决策节点，并持续依照演算法规则分类，直到数据无法再分类为止。 决策树演算法的比较 决策树演算法依据其演算原理以及可适用分析数据类型的不同延伸出多种决策树演算法。 鉴于篇幅所限，以下部分将会针对这四类决策树演算法进行简单的介绍和比较，而详细演算法原理将不会在本文中详述。 1. C5.0 由 C4.5 演化而来。 使用 boosting：C5.0 算法有一个特殊的方法用于提高其准确率，称为 boosting。它的工作原理是在序列中构建多个模型。第一个模型按常规方式进行构建。
2.3K30发布于 2019-02-14 - 来自专栏大模型系列
机器学习工业级决策树：C5.0 算法原理、优势详解与实战调用指南（C4.5 的终极进化版）
关键词：机器学习、C5.0算法、决策树、C4.5升级、Boosting集成、规则挖掘、可解释AI、R C50包、Python C5.0、Ross Quinlan 一句话答案：C5.0 是 C4.5 的商业级增强版本 那么，这篇文章就是为你写的——从算法优化到工程落地，一步到位。一、C5.0 是什么？它为何被称为“C4.5 的商业继任者”？ C5.0 是 Ross Quinlan 在 C4.5 成功基础上开发的闭源商业算法（后开放免费版），专为高性能、高精度、低资源消耗设计。 你的需求推荐算法“我需要向业务方解释为什么拒绝贷款”✅ C5.0（规则集）“我要做房价预测（回归）”❌ → 用 CART / XGBoost“数据有1000万样本，要最高精度”❌ → 用 LightGBM 本系列将带你： 深入原理：从 Transformer 架构、注意力机制到训练范式（预训练、微调、RLHF）；⚙️ 动手实践：本地部署、模型微调、RAG 构建、Agent 设计等实战指南； 理解边界：幻觉
17320编辑于 2026-03-29 - 来自专栏互联网杂技
各厂算法原理
豆瓣：我买了俩馒头，问我，你要不要来碗米饭？ 淘宝：我吃完俩馒头，问我，你要不要来俩馒头？ 百度：“老板，给我俩馒头”—“湖南株洲馒头机制造厂供应优质馒头机” 腾讯：正当我要买馒头时，在后面拍了拍我，“同学，来我这买，一模一样，还有豆沙馅” 360：让我摸一下，免费送馒头。 新浪微博：我想吃馒头，你好友某某吃过馒头。 你附近有1024个人在吃馒头，去关注？你提到的数字俩和馒头已经开通了微博，快来关注他们吧。 网易新闻 ：旺仔小馒头变E罩杯，让老公爱不释手！ 知乎：是第三个馒头让我饱了，为什么还吃前两个？
78550发布于 2018-04-02 - 来自专栏算法之名
GMRES算法原理
第一步，格拉姆-施密特(Gram-Schmidt)过程计算高维投影 具体请参考线性代数整理(二) ，这里不再赘述 第二步，Krylov子空间及Arnoldi算法 设v是非零n维向量，A是n阶方阵，向量组 Arnoldi在研究非对称矩阵的特征值问题时，利用Krylov向量组的特殊结构，给出了格拉姆-施密特算法的一种变体算法，现在称为Arnoldi算法。
3.9K30发布于 2021-04-20 - 来自专栏idba
Raft算法原理
论文 简介 关于Raft算法，有两篇经典的论文，一篇是《In search of an Understandable Consensus Algorithm》，这是作者最开始讲述Raft算法原理的论文， 但是这篇论文太简单了，很多算法的细节没有涉及到。 这篇文章做为我后续分析etcd raft算法的前导文章，将结合后一篇论文加上一些自己的演绎和理解来讲解Raft算法的原理。 算法的基本流程 Raft算法概述 Raft算法由leader节点来处理一致性问题。 Raft算法基础 在Raft算法中，一个集群里面的所有节点有以下三种状态： Leader：领导者，一个集群里只能存在一个Leader。
1.6K10发布于 2020-02-20 - 来自专栏全栈程序员必看
浅谈CAS原理_cas算法原理
CAS原理 CAS（Compare And Swap），比较并交换。 这就是CAS的原理。 3. ABA问题 但是这种方式会有一个问题：ABA，就是说你在要保存B的时候，会去读取内存中的值判断是否和A相等，确保这期间没有其他线程操作过该变量。 这个可能是自己对操作系统底层的原理不太了解，所以会有这样的疑问吧。 希望会这个问题的大佬不吝赐教，也希望自己以后在搞懂这个问题之后，来这儿将这个问题解决掉。
1.2K10编辑于 2022-11-10 - 来自专栏全栈程序员必看
GBDT算法简介_gbdt算法原理
) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。 它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。 第1~4节：GBDT算法内部究竟是如何工作的？ 第5节：它可以用于解决哪些问题？ 第6节：它又是怎样应用于搜索排序的呢？ 二、 GB：梯度迭代 Gradient Boosting 好吧，我起了一个很大的标题，但事实上我并不想多讲Gradient Boosting的原理，因为不明白原理并无碍于理解GBDT中的Gradient 实际的搜索排序使用的是LambdaMART算法，必须指出的是由于这里要使用排序需要的cost function，LambdaMART迭代用的并不是残差。
1.1K20编辑于 2022-11-04 - 来自专栏深度学习与python
算法研习：Logistic算法原理分析
在这篇文章中，我将用数学解释逻辑回归，介绍逻辑回归、sigmoid函数以及最大似然估计三者之间的关系。然后使用python中的梯度下降实现一个逻辑回归示例。本文主要包括五个问题：
1.3K20发布于 2019-06-18 - 来自专栏机器学习入门
机器学习入门（三）：K近邻算法原理 | KNN算法原理
学习目标 理解KNN 算法原理 为什么学习KNN算法 KNN是监督学习分类算法，主要解决现实生活中分类问题。 根据目标的不同将监督学习任务分为了分类学习及回归预测问题。 上述步骤示意如下： KNN（K-Nearest Neihbor，KNN）K近邻是机器学习算法中理论最简单，最好理解的算法，是一个非常适合入门的算法，拥有如下特性： 思想极度简单，应用数学知识少(近乎为零 )，对于很多不擅长数学的小伙伴十分友好 虽然算法简单，但效果也不错 KNN 原理 2.1 案例剖析 上图中每一个数据点代表一个肿瘤病历： 横轴表示肿瘤大小，纵轴表示发现时间 恶性肿瘤用蓝色表示 2.2 算法原理 KNN算法描述 输入：训练数据集 ，xi为实例的特征向量，yi={C1，c2...Ck}为实例类别。 KNN三要素： 距离度量 K值选择 分类决策准则 小结 让我们静下心来回忆一下本篇文章的内容： KNN 算法原理简单，不需要训练，属于监督学习算法，常用来解决分类问题 KNN原理
49810编辑于 2024-09-10 - 来自专栏机器学习算法原理与实践
PrefixSpan算法原理总结
前面我们讲到频繁项集挖掘的关联算法Apriori和FP Tree。这两个算法都是挖掘频繁项集的。 而今天我们要介绍的PrefixSpan算法也是关联算法，但是它是挖掘频繁序列模式的，因此要解决的问题目标稍有不同。 1. PrefixSpan算法思想 现在我们来看看PrefixSpan算法的思想，PrefixSpan算法的目标是挖掘出满足最小支持度的频繁序列。那么怎么去挖掘出所有满足要求的频繁序列呢。 PrefixSpan算法流程 下面我们对PrefixSpan算法的流程做一个归纳总结。 比如Spark的MLlib就内置了PrefixSpan算法。 不过scikit-learn始终不太重视关联算法，一直都不包括这一块的算法集成，这就有点落伍了。 （欢迎转载，转载请注明出处。
1.2K10发布于 2018-08-14 - 来自专栏若尘的技术专栏
Diff算法核心原理
虚拟DOM算法 = 虚拟DOM + Diff算法 什么是Diff算法 上面咱们说了虚拟DOM，也知道了只有`虚拟DOM + Diff算法才能真正的提高性能，那讲完虚拟DOM，我们再来讲讲Diff算法`吧 总结： Diff算法是一种对比算法 。 （可能较多的节点）排版与重绘 Diff算法的原理 Diff同层对比 新旧虚拟DOM对比的时候，Diff算法比较只会在同层级进行, 不会跨层级比较。 所以Diff算法是:广度优先算法。 咱们来看看sameVnode方法的核心原理代码，就一目了然了 function sameVnode(oldVnode, newVnode) { return ( oldVnode.key =
89254发布于 2021-11-21 - 来自专栏企鹅号快讯
EM算法原理总结
EM算法也称期望最大化（Expectation-Maximum,简称EM）算法，它是一个基础算法，是很多机器学习领域算法的基础，比如隐式马尔科夫算法（HMM）， LDA主题模型的变分推断等等。 本文就对EM算法的原理做一个总结。 1. EM算法要解决的问题 我们经常会从样本观察数据中，找出样本的模型参数。 最常用的方法就是极大化模型分布的对数似然函数。 一个最直观了解EM算法思路的是K-Means算法，见之前写的K-Means聚类算法原理。在K-Means聚类时，每个聚类簇的质心是隐含数据。 EM算法的推导 至此，我们理解了EM算法中E步和M步的具体数学含义。 3. EM算法流程 现在我们总结下EM算法的流程。 4. 比如SMO算法（支持向量机原理(四)SMO算法原理），坐标轴下降法(Lasso回归算法： 坐标轴下降法与最小角回归法小结), 都使用了类似的思想来求解问题。
1.6K80发布于 2018-02-07 - 来自专栏机器学习算法工程师
EM算法原理总结
作者：刘建平 编辑：田 旭 授权转发自：刘建平《EM算法原理总结》 地址:http://www.cnblogs.com/pinard/p/6912636.html 简 介 EM算法也称期望最大化（Expectation-Maximum ,简称EM）算法，它是一个基础算法，是很多机器学习领域算法的基础，比如隐式马尔科夫算法（HMM）， LDA主题模型的变分推断等等。 本文就对EM算法的原理做一个总结。 01 EM算法要解决的问题 我们经常会从样本观察数据中，找出样本的模型参数。 最常用的方法就是极大化模型分布的对数似然函数。 一个最直观了解EM算法思路的是K-Means算法，见之前写的K-Means聚类算法原理。在K-Means聚类时，每个聚类簇的质心是隐含数据。 比如SMO算法（支持向量机原理(四)SMO算法原理），坐标轴下降法(Lasso回归算法： 坐标轴下降法与最小角回归法小结), 都使用了类似的思想来求解问题。
1.1K20发布于 2018-07-26 - 来自专栏机器学习入门
算法原理系列：查找
https://blog.csdn.net/u014688145/article/details/65445025 查找 该系列我把它们命名为【算法原理】系列，意不在追求【算法细节】，而是从一个宏观的角度来看这些实现 ，重在数据结构的演变上，及分析它们的算法性能。 参考书籍为《算法 第四版》及《算法导论》。 基本概念 字典是算法当中一个基本且常见的概念，类似于那本将单词的释义按照字母顺序排列起来的历史悠久的参考书。 二叉查找树还有一些基本的删除操作，原理很简单，找到当前要删除的节点，若该节点还有左子树和右子树则要么从左子树中找个最大节点代替当前节点，要么从右子树中找个最小节点代替当前节点，上代码。 算法 第四版[M]. 北京：人民邮电出版社，2012.10 Cormen. 算法导论[M].北京：机械工业出版社，2013
69240发布于 2019-05-26 - 来自专栏阮一峰的网络日志
RSA算法原理（二）
有了这些知识，我们就可以看懂RSA算法。这是目前地球上最重要的加密算法。 六、密钥生成的步骤 我们通过一个例子，来理解RSA算法。假设爱丽丝要与鲍勃进行加密通信，她该怎么生成公钥和私钥呢？ 维基百科这样写道： "对极大整数做因数分解的难度决定了RSA算法的可靠性。换言之，对一极大整数做因数分解愈困难，RSA算法愈可靠。 假如有人找到一种快速因数分解的算法，那么RSA的可靠性就会极度下降。但找到这样的算法的可能性是非常小的。今天只有短的RSA密钥才可能被暴力破解。 到2008年为止，世界上还没有任何可靠的攻击RSA算法的方式。 只要密钥长度足够长，用RSA加密的信息实际上是不能被解破的。" 有两种解决方法：一种是把长信息分割成若干段短消息，每段分别加密；另一种是先选择一种"对称性加密算法"（比如DES），用这种算法的密钥加密信息，再用RSA公钥加密DES密钥。
1.7K60发布于 2018-04-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号