分类算法实战 · 从决策树到随机森林 · 课程目录

01课程导学与数学基础

分类问题概述信息熵与条件熵信息增益与基尼系数

02决策树原理（一）

ID3算法详解决策树的构建过程特征选择策略

03决策树原理（二）

C4.5算法CART算法三种算法对比与选择

04决策树实战（一）

sklearn实现决策树鸢尾花数据集分类可视化决策树

05决策树实战（二）

剪枝策略预剪枝与后剪枝参数调优实战

06决策树实战（三）

处理缺失值处理连续值决策树优缺点分析

07集成学习入门

集成学习思想Bagging与Boosting偏差与方差权衡

08随机森林原理（一）

随机森林核心思想随机选择样本与特征为什么随机森林有效

09随机森林原理（二）

构建过程OOB估计特征重要性评估

10随机森林实战（一）

sklearn实现随机森林葡萄酒数据集分类参数对模型影响

11随机森林实战（二）

调参策略n_estimators与max_depth网格搜索与交叉验证

12随机森林实战（三）

高维数据处理不平衡数据处理信用卡欺诈检测

13特征工程与决策树/随机森林

特征选择方法特征重要性排序特征降维与PCA

14模型评估与选择（一）

交叉验证混淆矩阵准确率/精确率/召回率/F1

15模型评估与选择（二）

ROC曲线与AUC过拟合与欠拟合学习曲线与验证曲线

16实战案例一：泰坦尼克号（决策树）

数据探索特征工程模型构建与评估

17实战案例一：泰坦尼克号（随机森林）

随机森林建模特征重要性分析模型对比

18实战案例二：手写数字识别

数据加载与预处理模型训练结果可视化

19实战案例三：电商用户行为预测

数据清洗特征构造模型训练与部署思路

20决策树的进阶

回归树原理决策树回归实战决策树局限性讨论

21随机森林的进阶

极端随机森林(Extra-Trees)随机森林与孤立森林异常检测

22集成学习的其他算法

AdaBoost原理与实战Gradient Boosting简介XGBoost与LightGBM简介

23模型部署与落地

模型序列化(pickle/joblib)Flask API搭建模型监控与更新

24算法对比与选型

决策树 vs 随机森林 vs 其他不同场景算法选择指南

25常见面试题解析（一）

决策树面试题信息增益计算过拟合解决方案

26常见面试题解析（二）

随机森林面试题Bagging与Boosting区别特征重要性原理

27常见面试题解析（三）

集成学习面试题偏差方差分解模型融合策略

28课程总结与知识图谱

核心知识点回顾学习路径推荐进阶方向指引

29大作业指导

选题建议数据获取项目结构·报告规范

30扩展阅读与资源推荐

经典论文优质书籍开源项目·竞赛平台