Decision Trees Natively Handle Categorical Data
但平均目标编码是他们的涡轮增压器，邮政决策树本地处理分类数据首先出现在数据科学方面。
Choosing the Right Machine Learning Algorithm: A Decision Tree Approach
在许多不同的机器学习算法中可供选择。本指南旨在帮助您根据数据和要解决的问题，为您提供适合您的正确涉及。
Build a Decision Tree in Polars from Scratch
决策树算法一直让我着迷。它们易于实现，并且在各种分类和回归任务中取得了良好的效果。结合 boosting，决策树在许多应用中仍然是最先进的。直到今天，sklearn、lightgbm、xgboost 和 catboost 等框架都做得非常好。然而，在过去的几个月里，[…]The post Build a Decision Tree in Polars from Scratch 最先出现在 Towards Data Science 上。
DialogGPT Is Forging A New Path In AI Understanding
传统的聊天机器人建立在僵化的决策树和基本的自然语言处理 (NLP) 之上，通常难以应对现实世界中复杂的对话，例如多部分查询、突然的话题转换或客户的不同措辞。这些限制浪费了宝贵的时间、资源和收入。Dialog GPT 是一种生成式 AI 解决方案，它改变了 AI 代理与客户互动的方式。借助此功能，您的代理将变得适应性强、对上下文敏感且具有意识，从而提高客户满意度、简化运营并推动业务增长。AI 代理通过自动执行具有可变输入和输出的复杂任务而脱颖而出，而这些挑战在历史上一直难以有效解决。在本文中，我们将探讨 Dialog GPT 如何解决传统系统的局限性。我们还将探讨它为何能够改变客户服务、运营效率
AdaBoost Classifier, Explained: A Visual Guide with Code Examples
集成学习将权重放在最需要的地方随机森林解释：带有代码示例的可视化指南每个人都会犯错 — 即使是机器学习中最简单的决策树。AdaBoost（自适应增强）算法不会忽略它们，而是会做一些不同的事情：它从这些错误中学习（或适应）以变得更好。与一次生成多棵树的随机森林不同，AdaBoost 从一棵简单的树开始，并识别它错误分类的实例。然后，它构建新的树来修复这些错误，从错误中学习并在每一步中变得更好。在这里，我们将准确说明 AdaBoost 如何进行预测，通过结合有针对性的弱学习者来增强力量，就像将集中锻炼变成全身力量的锻炼程序一样。所有视觉效果：作者使用 Canva Pro 创建。针对移动设备进行了优
Random Forest, Explained: A Visual Guide with Code Examples
集成学习使用随机树进行复杂的预测决策树分类器说明：带有代码示例的可视化指南，适合初学者决策树是机器学习的一个很好的起点 — — 它们清晰且有意义。但有一个问题：它们在处理新数据时往往效果不佳。预测可能不一致且不可靠，这在您尝试构建有用的东西时是一个真正的问题。这就是随机森林的用武之地。它吸收了决策树的优点，并通过将多棵树组合在一起使它们更好地工作。它已成为许多数据科学家最喜欢的工具，因为它既有效又实用。让我们看看随机森林是如何工作的，以及为什么它可能正是您下一个项目所需要的。现在是时候停止迷失在树木中，看看森林的真面目了 — — 这是您在机器学习中的下一个可靠工具。所有视觉效果：作者使用 Ca
ML Metamorphosis: Chaining ML Models for Optimized Results
知识提炼、模型压缩和规则提取的通用原则图 1。此图像和其他图像均由作者在 recraft.ai 的帮助下创建机器学习 (ML) 模型训练通常遵循熟悉的流程：从数据收集开始，清理和准备数据，然后进行模型拟合。但如果我们可以进一步推进这个过程会怎样？正如一些昆虫在成熟之前会经历剧烈的变化一样，ML 模型也可以以类似的方式进化（参见 Hinton 等人 [1]）——我称之为 ML 蜕变。此过程涉及将不同的模型链接在一起，从而产生最终模型，该模型的质量明显优于从头开始直接训练的模型。其工作原理如下：从一些初始知识（数据 1）开始。在此数据上训练 ML 模型（模型 A，例如神经网络）。使用模型 A 生成
How to Get Started on Your Data Science Career Journey
初学者在选择数据科学和 AI/ML 技能提升资源时需要考虑的六个方面照片由 Zach Graves 在 Unsplash 上拍摄简介照片由 Jonathan Kemper 在 Unsplash 上拍摄显而易见，在过去十年中，数据科学已发展成为市场上最抢手的技能之一。传统企业、科技公司、咨询公司、初创公司 — — 随便什么 — — 都在不断招聘数据科学专业人士。该领域对经验丰富的专家的需求量大，而供应相对短缺，使其成为一个非常有利可图的职业机会。要进入该领域并取得成功，您不仅需要深入了解可用的算法和软件包，还需要培养对哪些方法适用于哪些用例的直觉。此外，您还需要学习如何将现实世界的问题转化为数据
Gaussian Naive Bayes, Explained: A Visual Guide with Code Examples for Beginners
分类算法钟形假设以获得更好的预测⛳️ 更多分类算法，解释：· 虚拟分类器 · K 最近邻分类器 · 伯努利朴素贝叶斯 ▶ 高斯朴素贝叶斯 · 决策树分类器 · 逻辑回归 · 支持向量分类器 · 多层感知器（即将推出！）基于我们之前关于处理二进制数据的伯努利朴素贝叶斯的文章，我们现在探索用于连续数据的高斯朴素贝叶斯。与二元方法不同，该算法假设每个特征都服从正态（高斯）分布。在这里，我们将看到高斯朴素贝叶斯如何处理连续的钟形数据（产生准确的预测），而无需深入研究贝叶斯定理的复杂数学。所有视觉效果：作者使用 Canva Pro 创建。针对移动设备进行了优化；在桌面上可能显得过大。定义与其他朴素贝叶斯
When is Multicalibration Post-Processing Necessary?
校准是预测因子的一个经过充分研究的属性，可保证有意义的不确定性估计。多重校准是一个相关概念——源于算法公平性——它要求在可能复杂且重叠的受保护亚群集合（例如按种族、种族或收入定义的群体）上同时校准预测因子。我们进行了首次全面研究，评估了从简单决策树到 90 的模型在广泛的表格、图像和语言数据集上的多重校准后处理的实用性……
FormulaFeatures: A Tool to Generate Highly Predictive Features for Interpretable Models
使用基于数字特征的算术组合自动设计的简洁、高度预测的特征创建更易于解释的模型在本文中，我们研究了一个名为 FormulaFeatures 的工具。这主要用于可解释模型，例如浅层决策树，其中少量简洁且高度预测的特征可以极大地帮助提高模型的可解释性和准确性。机器学习中的可解释模型本文继续我关于可解释机器学习的系列文章，之前的文章包括 ikNN、加法决策树、遗传决策树和 PRISM 规则。如前几篇文章所述（并在那里更详细地介绍），通常有强烈的动机使用可解释的预测模型：每个预测都可以很好地理解，我们可以确信模型将在未来看不见的数据上表现合理。有许多模型可以提供可解释的 ML，但不幸的是，这些模型比我们
Introduction to Classification and Regression Trees in Machine Learning
为什么重要：分类和回归树或简称 CART 是用于描述用于分类和回归任务的决策树算法的术语。这些树的结果非常容易理解，这使它们比其他算法更具优势。
Introduction to XGBoost and its Uses in Machine Learning
为什么重要：XGBoost 是一种基于决策树的集成机器学习算法，它使用梯度提升框架来实现集成机器学习。
Introduction to Datascience: Learn Julia Programming, Math & Datascience from Scratch
在我的视频系列《Julia 数据科学》获得一些关注后，我鼓起勇气写了这本书。这也是在 Julia 语言本身喜欢了一条关于决策树的推文之后。所以我想为什么不给它更多呢？
