首页Python机器学习清华出版社第三章课后习题

Python机器学习清华出版社第三章课后习题

时间: 2025-04-28 11:21:55 浏览: 43

### 关于清华大学出版社《Python机器学习》第三章课后习题对于清华大学出版社出版的《Python机器学习》一书中的第三章课后习题，通常这类教材会围绕监督学习算法展开讨论。具体到第三章的内容可能涉及决策树、支持向量机等分类模型的基础理论及其应用实践。 #### 决策树构建练习书中可能会布置让读者通过给定的数据集来手动实现一个简单的决策树模型，并利用该模型完成预测任务。这不仅有助于理解如何依据特征分裂节点，还能加深对熵和信息增益概念的认识[^1]。 ```python from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier, plot_tree import matplotlib.pyplot as plt data = load_iris() clf = DecisionTreeClassifier(random_state=1234) model = clf.fit(data.data, data.target) plt.figure(figsize=(10,8)) plot_tree(model, filled=True, feature_names=data.feature_names, class_names=data.target_names) plt.show() ``` #### 支持向量机构建与调参另一个常见的题目可能是基于线性不可分数据集训练SVM模型，在此过程中探索不同核函数的选择以及参数调整方法的影响效果。此类实验能够帮助掌握软间隔的支持向量机原理并熟悉sklearn库中对应的API接口使用方式。 ```python from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV from sklearn.datasets import make_classification X, y = make_classification(n_samples=1000, n_features=20, n_informative=2, n_redundant=10, random_state=42) param_grid = {'C': [0.1, 1, 10], 'gamma': [0.001, 0.01]} grid_search = GridSearchCV(SVC(), param_grid, refit=True, verbose=2) grid_search.fit(X, y) print(grid_search.best_params_) ```

阅读全文