1.机器学习实战|银行贷款申请评估模型-基于决策树(ID3、机器C4.5和CART决策树)sklearn实现
2.实战机器学习—分类（超入门级）

机器学习实战|银行贷款申请评估模型-基于决策树(ID3、学习C4.5和CART决策树)sklearn实现

       前言

       本文旨在深入探讨决策树算法在银行贷款申请评估模型中的实战实际应用，具体涉及到ID3、源码C4.5和CART决策树三种算法的机器sklearn实现。

       我们将回顾这三种算法的学习硬件信息修改器源码区别，并通过一个实例案例，实战即银行贷款申请评估模型，源码展示决策树算法在实际问题中的机器应用。

       一个决策树的学习实例--银行贷款申请评估模型

       我们选取《统计学习方法》决策树章节的案例，使用样本数据进行分析。实战

       分类决策树的源码sklearn实现

       在sklearn库中，决策树分类算法通过DecisionTreeClassifier函数实现，机器回归决策树则通过DecisionTreeRegressor函数实现。学习

       具体实现代码如下：

       银行贷款申请评估模型的实战活动大厅源码样本数据存储在bank.txt文件中，程序逻辑实现于main.py文件。

       结果输出

       程序运行后，输出结果如下：

       每个决策树节点包含以下信息：samples表示节点中样本的个数；value=[]表示节点中各分类样本的个数。

       参考文献

       [1] 决策树的可视化（sklearn可视化案例） - 琢磨亿下 - 博客园

       [2] 李航-统计学习方法

       [3] 黄海广-温州大学-机器学习课件

实战机器学习—分类（超入门级）

       目标：在新机器上配置环境，编写程序，训练AI区分猫狗，输入，传神脱机源码AI会给出答案。理解分类的基本流程。

       前提：Linux基础操作，Python基础，编程经验，能看懂代码即可。非Python环境或MATLAB等不适用，影楼crm源码不适合仅想阅读者，请关闭。

       硬件：推荐Linux系统（Mac或Windows需额外安装anaconda，性能差或GPU昂贵的云服务器不适用）和网络。

       技术框架：tensorflow，vgg，keras。趋势套利 源码对这些技术不熟悉者请离开。

       实战步骤：

       第一步：环境搭建

       安装工具：如curl、brew（mac）、yum或apt-get等，确认已安装或搜索安装方法。

       安装git，用于访问GitHub。

       安装pyenv管理Python版本，推荐安装。

       使用pyenv安装Python 3.5或2.7。

       安装机器学习所需库。

       第二步：基础概念理解

       机器学习：学习、保存权重（模型），识别新。

       权重：模型学习后的知识，类似人类大脑的记忆。

       应用知识：用已学习的知识识别新。

       第三步：尝试识别

       利用ImageNet的公开数据，理解模型预测过程。

       分析代码，了解模型预测和显示结果。

       第四步：从头开始训练

       理解模型训练原理，与人类学习相似。

       训练代码和数据准备，涉及模型构建和学习过程。

       第五步：识别猫与狗

       继续学习模型的保存和使用方法。