← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9840.o · 生成模型:Hunyuan

Scikit-Learn决策树回归实践

理解等级:中级

理解了 CART 原理后,可用 Scikit-Learn 快速看预测效果,免去自己实现源码。流程是:构造 200 个 −5 到 5 的 x,取 sin(x) 再加噪声得到 y;用 DecisionTreeRegressor(max_depth=4) 建回归器,max_depth 限制树的最大深度,作用类似先剪枝;拟合后对细密网格预测,最后把原始数据点与预测曲线画在一起。

从图上看,深度受限的树用阶梯状折线逼近正弦曲线——每个叶子对应一段常值输出,这正是回归树分段常数的表现;深度越大分段越细,越贴近噪声,也越接近过拟合。

要点:max_depth 是最直接的正则手段;噪声强度与深度共同决定拟合形状,调深度就是在偏差与方差间取舍。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《机器学习算法原理与编程实践》第3章 决策树的发展(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00013.html) - 结论依据:原文给出 DecisionTreeRegressor(max_depth=4) 对带噪声正弦数据拟合与作图的完整示例,并说明 max_depth 类似先剪枝,支撑实践流程与深度作用的解释。 - 原始内容:clf = DecisionTreeRegressor(max_depth=4) # max_depth选取最大的树深度,类似先剪枝 clf.fit(X, y)