#37. Критерии качества для построения решающих деревьев | Машинное обучение
Принципы построения решающих деревьев. Понятие impurity (информативности) и информационного выигрыша (information gain) для выбора наилучших признаков и порогов для предикатов.
Инфо-сайт: https://proproprogs.ru/ml
Телеграм-канал: https://t.me/machine_learning_selfedu
Видео #37. Критерии качества для построения решающих деревьев | Машинное обучение канала selfedu
Инфо-сайт: https://proproprogs.ru/ml
Телеграм-канал: https://t.me/machine_learning_selfedu
Видео #37. Критерии качества для построения решающих деревьев | Машинное обучение канала selfedu
Показать
Комментарии отсутствуют
Информация о видео
Другие видео канала
#38. Построение решающих деревьев жадным алгоритмом ID3 | Машинное обучение
#19. Введение в метод опорных векторов (SVM) | Машинное обучение
#39. Усечение (prunning) дерева, обработка пропусков и категориальных признаков | Машинное обучение
#36. Логические методы классификации | Машинное обучение
#40. Решающие деревья в задачах регрессии. Алгоритм CART | Машинное обучение
Как работают сверточные нейронные сети | #13 нейросети на Python
#3. Алгоритм Дейкстры (Dijkstra’s algorithm) | Алгоритмы на Python
#41. Случайные деревья и случайный лес. Бутстрэп и бэггинг | Машинное обучение
Основы Программирования - #1 - Логика. Алгоритмы
#45. Нейронные сети. Краткое введение в теорию | Машинное обучение
Машинное обучение и искусственный интеллект
Пять принципов SOLID с примерами на Java
#44. Градиентный бустинг и стохастический градиентный бустинг | Машинное обучение
Алгоритмы на Python 3. Лекция №1
Переобучение - что это и как этого избежать, критерии останова обучения | #5 нейросети на Python
ЦОС Python #10: Байесовский классификатор, отношение правдоподобия
#35. Агломеративная иерархическая кластеризация. Дендограмма | Машинное обучение
#42. Введение в бустинг (boosting). Алгоритм AdaBoost при классификации | Машинное обучение