版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：

绪言

我最近开始入门机器学习，使用的书是《机器学习实战》（Peter Harrington 著），为了巩固学习成果，决定写一系列日志，内容是总结性的，会做一些思维导图，写一些我学习时不懂的模块，函数语法等，但不涉及具体算法的实现（不具备教程性质）。
本文是系列日志的第八篇 – 树回归。

Xmind

模块语法

NumPy

linspace()

np.linspace主要用来创建等差数列。
调用方法如下：

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

参数如下：
start:返回样本数据开始点
stop:返回样本数据结束点
num:生成的样本数据量，默认为50
endpoint：True则包含stop；False则不包含stop
retstep：If True, return (samples, step), where step is the spacing between samples.(即如果为True则结果会给出数据间隔)
dtype：输出数组类型
axis：0(默认)或-1

举个栗子：

import numpy as nparray1 = np.linspace(0, 1, num=5)
print(array1)

结果：

[0.   0.25 0.5  0.75 1.  ]

tkinter

tkinter是python自带的GUI库，是对图形库TK的封装
tkinter是一个跨平台的GUI库，开发的程序可以在win，linux或者mac下运行

Tk()

初始化语法：

root = TK()

mainloop()

mainloop()会启动时间循环。

from tkinter import *root = TK()
root.mainloop()

结果：

Label()

Label()可以在窗口上显示一些文字。
调用方法如下：

label = Label(root,text='error',compound='left',bitmap='error')

参数：
text:要现实的文本
bg:背景颜色
fg : 前景颜色(就是字体颜色)
font: 字体(样式, 大小)
width: 控件宽度
height:　控件高度
justify: 文字的对齐方向,可选值为 RIGHT, CENTER, LEFT, 默认为 Center.
padx: 指定水平方向的边距, 默认为1像素.
pady: 指定竖直方向的边距, 默认为1像素.
compound :让图片和文字一同显示,缺省为None
1- compound = ‘left’ 图像居左
2- compound = ‘right’ 图像居右
3- compound = ‘top’ 图像居上
4- compound = ‘bottom’ 图像居下
5- compound = ‘center’ 文字覆盖在图像上
bitmap/image：显示在label上的图像

grid()

grid()可以在界面显示插件。
举个栗子：

from tkinter import *root = Tk()
mylabel = Label(root, text='Hello World')
mylabel.grid()
root.mainloop()

结果：

matplotlib

use()

Matplotlib的构建程序包含一个前端，也就是面向用户的一些代码，如plot()和scatter()方法等。事实上，它同时创建了一个后端，用于实现绘图和不同应用之间接口。通过改变后端可以将图像绘制在PNG,PDF,SVG等格式的文件上。下面将设置后端为TkAgg(Agg是一个C++的库，可以从图像创建光栅图（光栅图是位图，点阵图放大会失真，与之相对的是矢量图，又称向量图））。TkAgg可以在所选GUI框架上调用Agg,把Agg呈现在画布上。

import matplotlib
matplotlib.use('TkAgg')

文章推荐

学习树决策的过程中，除了《机器学习实战》，原理部分主要看了下面几篇文章，写得都非常好。
《机器学习实战》笔记之九——树回归
机器学习实战》之九——树回归

PS：如果觉得本篇本章对您有所帮助，欢迎关注、评论、赞！

《机器学习实战》（八）-- 树回归相关推荐

机器学习实战_09_树回归_源代码错误修正
<机器学习实战>第9章的树回归运行时频繁出错,这里主要有两点: 1. TypeError: unhashable type: 'matrix' 出错的代码行是: for splitVal ...
机器学习实战之Logistic回归
本系列教程特点: 基于<机器学习实战> 尽量避免讲太多数学公式,通过简单直白的方式讲解各算法的原理对于算法实现的代码进行详细讲解哪些读者可以食用: 了解机器学习的基本术语会Pytho ...
机器学习_用树回归方法画股票趋势线
本篇的主题是分段线性拟合,也叫回归树,是一种集成算法,它同时使用了决策和线性回归的原理,其中有两点不太容易理解,一个是决策树中熵的概念,一个是线性拟合时求参数的公式为什么是由矩阵乘法实现的.如需详解 ...
“机器学习实战”刻意练习——回归问题：线性回归(最小二乘、岭回归、逐步回归)
参考: Python3<机器学习实战>学习笔记(十一):线性回归基础篇之预测鲍鱼年龄 - Jack-Cui Python3<机器学习实战>学习笔记(十二):线性回归提高篇之乐高 ...
机器学习算法实践-树回归-转
原文地址:http://python.jobbole.com/88822/ 通常决策树树分裂选择特征的方法有ID3, C4.5算法, C5.0算法和CART树.本文主要使用决策树解决回归问题,使用CA ...
机器学习实战2--逻辑回归
本系列博客基于温州大学黄海广博士的机器学习课程的笔记,小伙伴们想更详细学习黄博士课程请移步到黄博士的Github.或者机器学习初学者公众号,现在在中国慕课也是可以学习的,内容包括机器学习.深度学习及P ...
logistic回归分析优点_机器学习实战项目-Logistic回归
Logistic 回归概述 Logistic 回归虽然名字叫回归,但是它是用来做分类的.其主要思想是: 根据现有数据对分类边界线建立回归公式,以此进行分类. 须知概念 Sigmoid 函数回归概 ...
机器学习实战：逻辑回归(2)-从疝气病症预测病马的死亡率
1.准备数据:处理数据中的缺失值可选的做法: 使用可用特征的均值来填补缺失值: 使用特殊值来填补缺失值,如-1: 忽略有缺失值的样本: 使用相似样本的均值添补缺失值: 使用另外的机器学习算法预测缺失 ...
【Python 机器学习实战】Logistic回归
引言假设现在有一些数据点,我们用一条直线对这些点进行拟合(该线称为最佳拟合直线),这个拟合过程就称作回归. 利用Logistic回归进行分类的主要思想是:根据现有数据对分类边界线建立回归公式,以此进 ...
机器学习实战之logistic回归分类
利用logistic回归进行分类的主要思想:根据现有数据对分类边界建立回归公式,并以此进行分类. logistic优缺点: 优点:计算代价不高,易于理解和实现. 缺点:容易欠拟合,分类精度可能不高. ...

《机器学习实战》（八）-- 树回归

目录

绪言