Изменения

*Для решения задач классификации и регрессии используют [https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier DecisionTreeClassifier] , [https://scikit- используется для классификации learn.org/stable/modules/generated/sklearn.tree.DecisionTreeRegressor.html#sklearn.tree.DecisionTreeRegressor DecisionTreeRegressor]

'''from''' sklearn '''import''' tree <font color=green>// X - массив, содержащий описание объектов из обучающей выборки</font> X = [[0, 0], [1, 1]] <font color=green>// Y - значения классов объектов из обучающей выборки </font> Y = [0, 1] clf = tree.DecisionTreeClassifier() <font color=green> // обучение классификатора </font> clf = clf.fit(X, Y) <font color=green> // предсказание значений классов </font> clf.predict([[2, 2]]) <font color=green> // вывод: array([1]) </font>  *Для решения задачи регрессии используют [https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeRegressor.html#sklearn.tree.DecisionTreeRegressor DecisionTreeRegressor] '''from''' sklearn '''import''' tree X = [[0, 0], [2, 2]] y = [0.5, 2.5] clf = tree.DecisionTreeRegressor() clf = clf.fit(X, y) clf.predict([[1, 1]]) <font color=green> // вывод: array([0.5]) </font> *В '''sklearn.ensemble''' также представлены методы классификации, основанные на ансамблях, в том числе: [https://scikit-learn.org/stable/modules/ensemble.html#bagging бэггинг] и [https://scikit-learn.org/stable/modules/ensemble.html#forest случайный лес], которые были описаны выше. <br><br>Так, в этом примере создается бэггинг ансамбль из классификаторов '''KNeighborsClassifier''', каждый из которых обучен на рандомных подмножествах из 50% объектов из обучающей выборки, и 50% рандомно выбранных признаков.