Decision_tree：决策树

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“

Decision_Tree：Decision_Tree

ДЕРЕВОПРИНЯТИЯРЕШЕНИЙ проект，позволяющийреализоватьтехникудеревапринятиярешенийбезиспользованияиандерантанд вкачествепримеравлекаважанияпасская файлtrain.csvсодержиттренировочнеданные（датасетпассажиров，результатвыживших）файлtrees.py-реализация 决策树

dagster-mlflow-示例 将mlflow集成到dagster的简短测试 我遵循这个，该循环测试多个模型。 我想用dagster来实现它，也许最后要和mlflow一起玩。 固体配置： solids : decision_tree : config : " Decision Tree " gradient_boosting_classifier : config : " Gradient Boosting Classifier " linear_svm :