产品规格: | 不限 | 产品数量: | 不限 |
---|---|---|---|
包装说明: | 按订单 | 价格说明: | 不限 |
查看人数: | 98 人 | 本页链接: | https://info.b2b168.com/s168-71135311.html |
因为训练集合的过拟合,使得验证集合数据能够对其进行修正,反复进行上面的操作,新都电动修枝剪,从底向上的处理结点,删除那些能够限度的提高验证集合的精度的结点,直到进一步修剪有害为止(有害是指修剪会减低验证集合的精度) REP是较简单的后剪枝方法之一,不过在数据量比较少的情况下,电动修枝剪图片,REP方法趋于过拟合而较少使用。这是因为训练数据集合中的特性在剪枝过程中被忽略,枣树电动修枝剪,所以在验证数据集合比训练数据集合小的多时,要注意这个问题。
现在问题就在于,如何(HOW)在原生的过拟合决策树的基础上,生成简化版的决策树?可以通过剪枝的方法来简化过拟合的决策树。剪枝可以分为两种:预剪枝(Pre-Pruning)和后剪枝(Post-Pruning),下面我们来详细学习下这两种方法:
PrePrune:预剪枝,及早的停止树增长,方法可以参考见上面树停止增长的方法。
PostPrune:后剪枝,在已生成过拟合决策树上进行剪枝,可以得到简化版的剪枝决策树。
其实剪枝的准则是如何确定决策树的规模,可以参考的剪枝思路有以下几个: