Beim maschinellen Lernen wird die Verschachtelung des Wörterbuchs verwendet, um die Informationen des Entscheidungsbaums zu speichern, was einen großen Einfluss auf das Zeichnen des Baumdiagramms hat. Die Generierung des verschachtelten Wörterbuchs ist ein rekursiver Prozess,
wie unten gezeigt:
>>> s={'a':{0:'no',1:{'flippers':{0: 'no', 1: 'maybe'}}},'b':{}} # 构造字典
>>> s['a'][0] # 取值
'no'
>>> s['a'][1]
{'flippers': {0: 'no', 1: 'maybe'}}
>>> s['a'][1]['flippers'][1]
'maybe'
----------
# 嵌套构造过程
>>> s={'no sur':{}}
>>> s['no sur'][0]='no'
>>> s
{'no sur': {0: 'no'}}
>>> ss={'fli':{}}
>>> ss['fli'][0]='no'
>>> ss['fli'][1]='yes'
>>> s['no sur'][1]=ss # 其中ss是在递归中的最外层
>>> s
{'no sur': {0: 'no', 1: {'fli': {0: 'no', 1: 'yes'}}}}
>>> Bei dem obigen Prozess zum Erstellen des verschachtelten Wörterbuchs kann der entsprechende Wert über den Schlüssel erhalten werden, und der entsprechende Wert kann aus einem Wörterbuch zusammengesetzt werden, wobei wiederum der Schlüssel als Indexebene verwendet wird, um den Wert zu erhalten.
Der zweite ist der Prozess der verschachtelten Konstruktion. Es ist ersichtlich, dass ss zwar ein verschachteltes Wörterbuch ist, aber als Wert von s verwendet wird, der 'fli' entspricht, und {'fli': {0: 'no', 1: ' yes '}} als Ganzes als Wert von 1. Beim Erstellen von Bäumen beim tatsächlichen maschinellen Lernen wird eine rekursive Erstellungsmethode verwendet, darunter:
Das Obige ist ein verschachteltes Diktat
Nachdem ich mir die beiden markierten Linien lange angesehen hatte, stellte ich fest, dass der Effekt der Rekursion in der Abbildung dem laufenden Effekt des obigen Codes ähnlich ist, außer dass der Code in der Abbildung dem Schreiben des obigen ss als s entspricht.
Wenn Sie die Rekursion klar verstehen möchten, können Sie den Aufrufstapel in der Datenstruktur lernen , die das Aufrufprinzip des Stapels darstellt, und dann wird es sehr klar. . . .
Nachdruck von: https://blog.csdn.net/lilong117194/article/details/77033791