After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
决策树是一类用于分类与回归问题的监督学习模型。树模型具有很强的灵活性，但也有代价：一方面，树能捕捉复杂的非线性关系；另一方面，它们容易记住数据集中的噪声。通过聚合以不同方式训练的多棵树的预测，集成方法既能利用树的灵活性，又能降低其记忆噪声的倾向。集成方法广泛应用于各个领域，并多次在机器学习竞赛中取得优胜。
在本课程中，您将学习如何使用 Python 结合易用的 scikit-learn 机器学习库来训练决策树和基于树的模型。您将理解树模型的优势与局限，并看到集成学习如何缓解这些问题，同时在真实数据集上进行练习。最后，您还将掌握如何调优最关键的超参数，以充分发挥模型性能。
先修要求
课程大纲
课程大纲
1
分类与回归树
2
偏差—方差权衡
偏差—方差权衡是监督式机器学习中的核心概念之一。本章将带您了解如何诊断过拟合与欠拟合问题。您还将接触集成学习的理念，即将多个模型的预测进行聚合，以得到更稳健的预测结果。
3
Bagging 与随机森林
Bagging 是一种集成方法，通过从训练数据中采样不同子集，多次训练同一种算法。在本章中，您将了解如何使用 Bagging 构建树的集成。您还会学习随机森林算法如何在树的每次划分层面进行随机化，从而进一步提升集成的多样性。
4
Boosting 提升方法
Boosting 指一种集成方法，其中多个模型按序训练，每个模型从其前一模型的错误中学习。在本章中，您将学习两种提升方法：AdaBoost 与梯度提升（Gradient Boosting）。
5
模型调优
机器学习模型的超参数是无法通过数据学习得到的参数，需要在将模型拟合到训练集之前设定。本章中，您将学习如何使用网格搜索交叉验证来调优基于树的模型的超参数。
Python 树模型机器学习
课程完成
