<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>decision trees &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/decision-trees/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 22:09:15 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>decision trees &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Деревья решений: алгоритм CART, критерии разбиения и практическое применение</title>
		<link>https://mlgu.ru/6147/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 10 Nov 2025 22:30:40 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[decision trees]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6147</guid>

					<description><![CDATA[Деревья решений относятся к фундаментальным алгоритмам машинного обучения, которые находят применение в задачах классификации и регрессии. Их ключевое преимущество — интерпретируемость: модель представляет собой последовательность логических правил, понятных даже неспециалисту. По своей структуре дерево решений имитирует процесс принятия решений человеком, последовательно разбивая данные на все более однородные группы на основе наиболее значимых признаков. Процесс построения [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Методы разделения деревьев решений: Gini, Энтропия, Gain Ratio, Хи-квадрат, Variance Reduction, Classification Error</title>
		<link>https://mlgu.ru/3182/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 04 Jul 2025 14:24:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[decision trees]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[классификация]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3182</guid>

					<description><![CDATA[Деревья решений остаются одним из самых интуитивно понятных и мощных инструментов в арсенале специалиста по данным. Выбор критерия разделения деревьев без преувеличения влияет на все: от скорости обучения до интерпретируемости результатов. В процессе работы с финансовыми данными я обнаружил, что разные критерии могут давать совершенно разные результаты даже на одних и тех же данных. Некоторые [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Классические методы предиктивной аналитики</title>
		<link>https://mlgu.ru/842/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 14 Oct 2024 20:51:26 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[decision trees]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[stacking]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=842</guid>

					<description><![CDATA[Предиктивная аналитика &#8212; это область анализа данных, которая использует статистические алгоритмы, машинное обучение и методы искусственного интеллекта для прогнозирования будущих событий или поведения на основе исторических данных. Эта дисциплина находится на стыке статистики, информатики и бизнес-аналитики, что делает ее чрезвычайно мощным инструментом для принятия решений в различных отраслях. Основная идея предиктивной аналитики заключается в том, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование спроса с помощью машинного обучения</title>
		<link>https://mlgu.ru/238/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 12 Sep 2024 21:24:13 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[decision trees]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=238</guid>

					<description><![CDATA[Прогнозирование спроса &#8212; важнейший процесс в различных отраслях промышленности, включающий в себя предсказание будущих продаж. Это краеугольный камень для эффективного управления цепочками поставок, контроля запасов и стратегического бизнес-планирования. В последнее время машинное обучение (ML) стало играть важную роль в повышении точности и эффективности прогнозирования спроса. Необходимость прогнозирования спроса Понимание будущего покупательского спроса крайне важно для [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Сегментация трафика сайта и оптимизация конверсий с помощью деревьев решений (Decision Trees)</title>
		<link>https://mlgu.ru/133/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 08 Sep 2024 15:29:30 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[decision trees]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=133</guid>

					<description><![CDATA[В этой статье я поделюсь с вами кейсом по сегментации трафика и оптимизации коэффициента конверсии клиентов интернет-магазина. Кейс основан на реальных данных одной американской компании &#8212; Vandelay Industries, которая занимается производством продуктов из латекса. Данные для машинного обучения собирались со счетчиков аналитики интернет-магазина и включили в себя основную информацию о посетителях сайта, такую как страна, [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
