今天小编就为大家分享一篇python实现连续变量最优分箱详解--CART算法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

cart算法代码matlab PILCO-学习控制的概率推断 这是使用Tensorflow和GPflow在Python中（最初用MATLAB编写）的重新实现。 这项工作主要是为了个人发展而进行的，部分实施是基于此。 该存储库将主要作为我未来研究的基准。 我使用和实现了购物车杆基准测试。 我之所以这样做，是因为OpenAI的CartPole环境没有连续的动作空间，并且因为它使用了“倒置”的推车杆。 新环境代表了具有连续动作空间的传统手推车基准测试。 该文件包含基于的新的CartPole类。 我还创建了定义传统手推车杆的MuJoCo环境的文件。 先决条件 该示例需要（具有接触的多关节动力学）物理引擎，才能使用倒立摆。 我相信有免费的学生许可证。 正在安装 使用pip install -r requirements 。 确保使用Python 3。 您可能要为此使用虚拟环境。 例子 给出了在购物车杆环境中实现该代码的示例，该示例可在中找到。 建于 作者 艾丹·斯堪内尔 执照 此项目已获得MIT许可证的许可-有关详细信息，请参见文件。 致谢 原始执行： MP Deisenroth，D.Fox和C

关于变量分箱主要分为两大类：有监督型和无监督型 对应的分箱方法： A. 无监督：(1) 等宽 (2) 等频 (3) 聚类 B. 有监督：(1) 卡方分箱法(ChiMerge) (2) ID3、C4.5、CART等单变量决策树算法 (3) 信用评分建模的IV最大化分箱 等 本篇使用python，基于CART算法对连续变量进行最优分箱 由于CART是决策树分类算法，所以相当于是单变量决策树分类。 简单介绍下理论： CART是二叉树，每次仅进行二元分类，对于连续性变量，方法是依次计算相邻两元素值的中位数，将数据集一分为二，计算该点作为切割点时的基尼值较分割前的基尼值下降程度，每次切分时，选择基尼下降

function test_targets = CART(train_patterns, train_targets, test_patterns, params) % Classify using classification and regression trees % Inputs: % training_patterns - Train patterns % training_targets - Train targets % test_patterns - Test patterns % params - [Impurity type, Percentage of incorrectly assigned samples at a node] % Impurity can be: Entropy, Variance (or Gini), or Misclassification % % Outputs % test_targets - Predicted targets

https://clouddaidai.blog.csdn.net/article/details/119980267 cart算法实战所需数据

机器学习C++源码解析-决策树cart算法-源码+数据

机器学习决策树—CART算法ppt

这是一个使用matlab来实现决策树cart的算法。

本数据集分为训练集和测试集，可用于测试决策树学习算法。

这是我从网上找到的一份决策树Cart算法代码，其中在确定分枝时采用的是熵不纯度确定的方法,代码可以运行.声明这份代码不是我原创的，是从某个网页上下载下来的，不过原作者的代码中许多变量没有作详细注释，我在阅读这份代码时加了许多自己的理解，几乎每个变量每句代码都作了解释，对于学习决策树CART算法的同学具有比较好的入门指导作者，这里将代码贡献出来与大家一起分享，如果有注释不准的地方，请发表评论提醒我。也向原作者致谢(不好意思，忘记在哪个网页上下载的了)