机器学习
Introduction
第二章 模型评估与选择
经验误差与过拟合
评估方法
性能度量
第三章 线性模型
基本形式
线性回归
对数几率回归
线性判别分析
第四章 决策树
基本流程
划分选择
第五章 神经网络
神经元模型
感知机
误差逆传播算法
第六章 支持向量机
6.1 间隔与支持向量
第九章 聚类
9.1 聚类任务
9.2 性能度量
9.3 距离属性
9.4 原型聚类
Powered by
GitBook
划分选择
随着划分过程不断的进行,我们希望决策树分支节点所包含的样本尽可能的属于同一类别,即节点的纯度越来越高。
信息熵是度量样本集合纯度最常用的一种指标,信息熵的值越小,纯度越高。
基尼指数
results matching "
"
No results matching "
"