در این مطلب، ویدئو C4.5 الگوریتم درخت تصمیم 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: 00:06:03
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,939
سلام امروز میخواهیم ذکر
2
00:00:02,939 –> 00:00:06,150
کنیم الگوریتم درخت تصمیم چهار نقطه پنج
3
00:00:06,150 –> 00:00:10,170
در پایتون C الگوریتم چهار نقطه پنج
4
00:00:10,170 –> 00:00:15,299
بهبودهایی را نسبت به id3 ارائه می دهد
5
00:00:15,299 –> 00:00:19,890
که مهمترین آنها در IDT است که ما فقط می توانیم
6
00:00:19,890 –> 00:00:23,519
ویژگی های اسمی را مدیریت کنیم و
7
00:00:23,519 –> 00:00:27,660
از طرف دیگر C 4.5 آلبرتو می تواند هر دو اسمی را مدیریت کند.
8
00:00:27,660 –> 00:00:31,769
ویژگیهای عددی تبلیغات در واقع
9
00:00:31,769 –> 00:00:34,649
الگوریتم تقسیمهای باینری را برای
10
00:00:34,649 –> 00:00:37,739
ویژگیهای عددی در هر برگ اعمال میکند، اجازه دهید
11
00:00:37,739 –> 00:00:43,739
ببینیم چگونه این کار را انجام دهیم، ابتدا هود آشپز را وارد کنیم،
12
00:00:43,739 –> 00:00:48,090
سپس باید مجموعه داده را بخوانم،
13
00:00:48,090 –> 00:00:54,410
به همین دلیل است که پانداها را
14
00:00:55,100 –> 00:00:58,579
در اینجا وارد میکنم که میخواهم بخوانم. دو پاندا مجموعه داده
15
00:00:58,579 –> 00:01:03,870
که CSV را میخوانند در اینجا میخواهم
16
00:01:03,870 –> 00:01:11,479
مکان فایل را منتقل کنم به dot
17
00:01:11,479 –> 00:01:16,680
txt برو ببینیم ورودی دادهفریم
18
00:01:16,680 –> 00:01:20,970
pandas لیست برخی از ویژگیها مانند
19
00:01:20,970 –> 00:01:24,680
وبلاگ و vine اسمی در دمای نوشیدنی
20
00:01:24,680 –> 00:01:27,470
و رطوبت ویژگیهای
21
00:01:27,470 –> 00:01:28,710
22
00:01:28,710 –> 00:01:32,720
عددی هستند. ساختن درخت تصمیم seed 4.5
23
00:01:32,720 –> 00:01:39,630
پیکربندی را در اینجا مشخص کنید من فقط
24
00:01:39,630 –> 00:01:42,960
باید نام الگوریتم را پاس کنم و در
25
00:01:42,960 –> 00:01:48,210
واقع 4.5 را اینجا ببینید.
26
00:01:48,210 –> 00:01:52,890
27
00:01:52,890 –> 00:01:55,799
فریم داده و فایل پیکربندی من
28
00:01:55,799 –> 00:01:58,829
و ذخیره شی برگشتی در درخت
29
00:01:58,829 –> 00:02:04,590
تصمیم C 4.5 ساختمان زنده مدل C 4.5
30
00:02:04,590 –> 00:02:09,959
تمام شده است و دقت 85% را در
31
00:02:09,959 –> 00:02:12,780
مجموعه آموزشی دریافت کرده است.
32
00:02:12,780 –> 00:02:14,000
33
00:02:14,000 –> 00:02:18,900
34
00:02:18,900 –> 00:02:22,800
اولین
35
00:02:22,800 –> 00:02:25,590
قوانین تصمیم گیری درخت تصمیم ساخته شده این
36
00:02:25,590 –> 00:02:28,200
قانون تصمیم می گوید که یک
37
00:02:28,200 –> 00:02:30,900
ویژگی شاخص که دما بزرگتر
38
00:02:30,900 –> 00:02:35,220
از 83 است، در غیر این صورت تصمیم منفی خواهد بود،
39
00:02:35,220 –> 00:02:39,630
در غیر این صورت برخی قوانین تصمیم گیری دیگر
40
00:02:39,630 –> 00:02:43,350
اعمال می شود، بیایید این سقف تصمیم را
41
00:02:43,350 –> 00:02:47,459
در مجموعه آموزشی خود اعمال کنیم و ویژگی
42
00:02:47,459 –> 00:02:50,690
های اولین مورد در
43
00:02:50,690 –> 00:02:55,020
قاب داده مجموعه آموزشی که من به مقدار زهکشی گذشته
44
00:02:55,02