欢迎回到：遇见蓝桥遇见你，不负代码不负卿！目录一、树的概念及结构（简单了解）1.树的概念2.树的表示二、二叉树的概念及结构1.二叉树的特点2.特殊的二叉树.满二叉树.完全二叉树.二叉搜索树 3.二叉树的存储结构 4.二叉树的性质 常考性质题5.二叉树的遍历常考遍历题三、力扣牛客七大热题1.二叉树的最大深度2.平衡二叉树3.二叉树的前序遍历4.二叉树的中序遍历5.二叉树的后序遍历6.二叉树的层序遍历7.清华大学考研复试题：二叉树遍历8.补充：求树节点、叶子结点、销毁二叉树四、蓝桥结语：遇见蓝桥遇见你，不负代码不负卿！ 【声明】开头笔者要向铁汁们致歉，我没有把这些知识点顺序安排好，因为我也是刚
欢迎回到：遇见蓝桥遇见你，不负代码不负卿！目录一、树的概念及结构（简单了解）1.树的概念2.树的表示二、二叉树的概念及结构1.二叉树的特点2.特殊的二叉树.满二叉树.完全二叉树.二叉搜索树 3.二叉树的存储结构 4.二叉树的性质 常考性质题5.二叉树的遍历常考遍历题三、力扣牛客七大热题1.二叉树的最大深度2.平衡二叉树3.二叉树的前序遍历4.二叉树的中序遍历5.二叉树的后序遍历6.二叉树的层序遍历7.清华大学考研复试题：二叉树遍历8.补充：求树节点、叶子结点、销毁二叉树四、蓝桥结语：遇见蓝桥遇见你，不负代码不负卿！ 【声明】开头笔者要向铁汁们致歉，我没有把这些知识点顺序安排好，因为我也是刚
基于回归分析的广告投入销售额预测——K邻近，决策树，随机森林，线性回归，岭回归文章目录基于回归分析的广告投入销售额预测——K邻近，决策树，随机森林，线性回归，岭回归1.项目背景2.项目简介2.1项目内容2.2数据说明2.3技术工具3.算法原理3.1K—近邻3.2决策树3.3随机森林3.4线性回归3.5岭回归4.分析步骤4.1理解数据4.2数据预处理4.2.1数据类型转换4.2.2缺失值处理4.3探索性数据分析4.4销售额预测4.4.1建模及模型预测4.4.1.1使用线性回归模型：4.4.1.2使用岭回归：4.4.1.3使用随机森林模型：4.4.1.4使用k邻近模型分析：4.4.1.5使用决策树
基于回归分析的广告投入销售额预测——K邻近，决策树，随机森林，线性回归，岭回归文章目录基于回归分析的广告投入销售额预测——K邻近，决策树，随机森林，线性回归，岭回归1.项目背景2.项目简介2.1项目内容2.2数据说明2.3技术工具3.算法原理3.1K—近邻3.2决策树3.3随机森林3.4线性回归3.5岭回归4.分析步骤4.1理解数据4.2数据预处理4.2.1数据类型转换4.2.2缺失值处理4.3探索性数据分析4.4销售额预测4.4.1建模及模型预测4.4.1.1使用线性回归模型：4.4.1.2使用岭回归：4.4.1.3使用随机森林模型：4.4.1.4使用k邻近模型分析：4.4.1.5使用决策树
1.随机森林的介绍随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（EnsembleLearning）方法。随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。“森林”我们很好理解，一棵叫做树，那么成百上千棵就可以叫做森林了，这样的比喻还是很贴切的，其实这也是随机森林的主要思想–集成思想的体现。“随机”的含义我们会在下边部分讲到。其实从直观角度来解释，每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为
1.随机森林的介绍随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（EnsembleLearning）方法。随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。“森林”我们很好理解，一棵叫做树，那么成百上千棵就可以叫做森林了，这样的比喻还是很贴切的，其实这也是随机森林的主要思想–集成思想的体现。“随机”的含义我们会在下边部分讲到。其实从直观角度来解释，每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为
文章目录前言一、为什么要使用RF1.优点：2.缺点：二、使用步骤1.引入库2.读入数据3.缺失值数据处理4.哑变量数据的处理5.特征变量6.建模7.验证集结果输出对比8.决策树9.模型特征重要性总结前言建立多个决策树并将他们融合起来得到一个更加准确和稳定的模型，是bagging思想和随机选择特征的结合。随机森林构造了多个决策树，当需要对某个样本进行预测时，统计森林中的每棵树对该样本的预测结果，然后通过投票法从这些预测结果中选出最后的结果。随机主要体现在以下两个方面：1.随机取特征2.随机取样本，让森林中的每棵树既有相似性又有差异性一、为什么要使用RF1.优点：准确率高运行起来高效（树之间可以并
文章目录前言一、为什么要使用RF1.优点：2.缺点：二、使用步骤1.引入库2.读入数据3.缺失值数据处理4.哑变量数据的处理5.特征变量6.建模7.验证集结果输出对比8.决策树9.模型特征重要性总结前言建立多个决策树并将他们融合起来得到一个更加准确和稳定的模型，是bagging思想和随机选择特征的结合。随机森林构造了多个决策树，当需要对某个样本进行预测时，统计森林中的每棵树对该样本的预测结果，然后通过投票法从这些预测结果中选出最后的结果。随机主要体现在以下两个方面：1.随机取特征2.随机取样本，让森林中的每棵树既有相似性又有差异性一、为什么要使用RF1.优点：准确率高运行起来高效（树之间可以并
随机森林在大数据运用中非常的常见，它在预测和回归上相比于SVM，多元线性回归，逻辑回归，多项式回归这些，有着比较好的鲁棒性。随机森林是一个用随机方式建立的，包含多个决策树的分类器。其输出的类别是由各个树输出的类别的众数而定。优点：处理高纬度的数据，并且不用做特征选择，当然也可以使用随机森林做特征筛选。模型泛化能力强对不平衡数据集来说，可以平衡误差。对缺失值，异常值不敏感。缺点：当数据噪声比较大时，会产生过拟合现象。对不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响。废话不多说，直接上干货随机森林的代码的基本实现分类模型fromsklearn.ensembleimportRan
随机森林在大数据运用中非常的常见，它在预测和回归上相比于SVM，多元线性回归，逻辑回归，多项式回归这些，有着比较好的鲁棒性。随机森林是一个用随机方式建立的，包含多个决策树的分类器。其输出的类别是由各个树输出的类别的众数而定。优点：处理高纬度的数据，并且不用做特征选择，当然也可以使用随机森林做特征筛选。模型泛化能力强对不平衡数据集来说，可以平衡误差。对缺失值，异常值不敏感。缺点：当数据噪声比较大时，会产生过拟合现象。对不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响。废话不多说，直接上干货随机森林的代码的基本实现分类模型fromsklearn.ensembleimportRan
