决策树的构成关键及算法
发布时间：2021-08-23 21:17:14 所属栏目：大数据 来源：互联网
导读：决策树的构成要素 决策树是一种解决分类问题的算法，决策树算法采用树形结构，使用层层推理来实现最终的分类。决策树由下面几种元素构成： 根节点：包含样本的全集 内部节点：对应特征属性测试 叶节点：代表决策的结果 预测时，在树的内部节点处用某一属性值
|
决策树的构成要素
决策树是一种解决分类问题的算法，决策树算法采用树形结构，使用层层推理来实现最终的分类。决策树由下面几种元素构成：
根节点：包含样本的全集
内部节点：对应特征属性测试
叶节点：代表决策的结果
预测时，在树的内部节点处用某一属性值进行判断，根据判断结果决定进入哪个分支节点，直到到达叶节点处，得到分类结果。
这是一种基于if-then-else规则的有监督学习算法，决策树的这些规则通过训练得到，而不是人工制定的。
决策树是最简单的机器学习算法，它易于实现，可解释性强，完全符合人类的直观思维，有着广泛的应用。
决策树的经典算法
1、ID3算法
ID3是最早提出的决策树算法，他就是利用信息增益来选择特征的。
2、C4.5算法
他是ID3的改进版，他不是直接使用信息增益，而是引入“信息增益比”指标作为特征的选择依据。
3、CART（ClassificationandRegressionTree）
这种算法即可以用于分类，也可以用于回归问题。CART算法使用了基尼系数取代了信息熵模
 （编辑：玉林站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
