در این مطلب، ویدئو الگوریتم درخت تصمیم CART در پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:05:34
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:03,780
سلام قبلاً اشاره کردیم
2
00:00:03,780 –> 00:00:08,370
الگوریتم های درخت تصمیم ID 3 و C 4.5 هستند که
3
00:00:08,370 –> 00:00:11,759
الگوریتم d3 می تواند
4
00:00:11,759 –> 00:00:14,969
ویژگی های اسمی و مقادیر هدف اسمی را مدیریت کند
5
00:00:14,969 –> 00:00:18,240
، از طرف دیگر الگوریتم C 4.5 می تواند
6
00:00:18,240 –> 00:00:21,390
هر دو ویژگی عددی و اسمی را مدیریت کند
7
00:00:21,390 –> 00:00:26,330
و برچسب آن باید اسمی باشد –
8
00:00:26,330 –> 00:00:29,490
امروز ما هستیم الگوریتم سبد خرید
9
00:00:29,490 –> 00:00:33,600
شبیه به C 4.5 است و می تواند
10
00:00:33,600 –> 00:00:36,149
هم ویژگی های عددی و هم اسمی را کنترل کند.
11
00:00:36,149 –> 00:00:38,760
12
00:00:38,760 –> 00:00:43,140
13
00:00:43,140 –> 00:00:46,200
14
00:00:46,200 –> 00:00:49,710
15
00:00:49,710 –> 00:00:53,489
16
00:00:53,489 –> 00:00:57,030
الگوریتم در یک مثال واقعی،
17
00:00:57,030 –> 00:00:59,399
این مدیر مسیر چارچوب Shepherds
18
00:00:59,399 –> 00:01:01,140
است و من میخواهم یک
19
00:01:01,140 –> 00:01:03,719
نوتبوک پایتون 3 در فهرست اصلی ایجاد کنم
20
00:01:03,719 –> 00:01:08,700
و آن را بهعنوان توزیعکننده نامگذاری کنم.
21
00:01:08,700 –> 00:01:11,670
22
00:01:11,670 –> 00:01:18,299
به عنوان سرآشپز و من همچنین باید
23
00:01:18,299 –> 00:01:23,009
کتابخانه پانداها را وارد کنم، میتوانم از
24
00:01:23,009 –> 00:01:26,520
فایلهای زیر پوشه مجموعه دادهها مانند
25
00:01:26,520 –> 00:01:30,200
رشد نقطه txt و رشد – dot txt
26
00:01:30,200 –> 00:01:34,320
نمونه رشد – انجام دهم استفاده کنم. t txt قطارهای من خواهد بود
27
00:01:34,320 –> 00:01:37,640
که فریم داده فایل برابر است با
28
00:01:37,640 –> 00:01:42,240
نقطه خواندن CSV پاندا و در اینجا
29
00:01:42,240 –> 00:01:50,490
مکان من 512 – dot txt بیایید
30
00:01:50,490 –> 00:01:54,500
5 قدرت برتر مجموعه داده را چاپ کنیم
31
00:01:54,500 –> 00:01:58,469
اکنون می توانم
32
00:01:58,469 –> 00:01:59,810
در اینجا
33
00:01:59,810 –> 00:02:03,930
فریمورک سرآشپز بوش را به درخت تصمیم گیری در سبد خرید بسازم که fit و من می
34
00:02:03,930 –> 00:02:07,920
خواهم قاب داده را به عنوان ورودی آزمایش کنم و
35
00:02:07,920 –> 00:02:09,780
همچنین فایل پیکربندی را در فایل پیکربندی خود
36
00:02:09,780 –> 00:02:13,320
اضافه می کنم
37
00:02:13,320 –> 00:02:18,510
، الگوریتم را ذکر می کنم و
38
00:02:18,510 –> 00:02:24,360
در اینجا کارت می شود من
39
00:02:24,360 –> 00:02:29,700
برای جلوگیری از تغییر مجموعه داده ها، کپی فریم داده را ارسال می کنم و که
40
00:02:29,700 –> 00:02:35,160
نتایج یادگیری ذخیره شده در
41
00:02:35,160 –> 00:02:38,210
درخت تصمیم متغیر مدل عبارت است از شکنجه در
42
00:02:38,210 –> 00:02:42,180
قوانین پوشه خروجی و خداحافظی پشت بام
43
00:02:42,180 –> 00:02:45,300
و این قوانین تصمیم من
44
00:02:45,300 –> 00:02:48,600
است که