本文介绍: 决策树是广泛用于分类和回归任务的模型，本质上是从一层层if/else问题中进行学习，并得出结论。这些问题类似于“是不是”中可能问到的问题。
决策树是广泛用于分类和回归任务的模型，本质上是从一层层if/else问题中进行学习，并得出结论。这些问题类似于“是不是”中可能问到的问题。
决策树的每个结点代表一个问题或一个包含答案的终结点（叶结点）。树的边奖问题的答案与将问的下一个问题连接起来。
用机器学习的语言来说，，为了得到预测结果，利用多个特征构建一个模型，可以利用监督学习从数据中学习模型，而不需要人为构建模型。
学习决策树，就是学习一系列if/else问题，使我们能够最快的速度得到正确答案。在机器学习中，这些问题就叫做测试。数据通常不具有二元特征（是/否），而是表现为连续特征。为了构造决策树，算法搜遍所有可能得测试，找到对目标变量来说信息量最大的一个。
顶结点（也叫根结点）表示整个数据集，包含属于类别0的所有点和类别1的所有点，通过测试的真假来对数据集进行区分。递归生成二元决策树，其中每个结点都包含一个测试。
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
