麻花传沈娜娜mv免费观看,自述被啪的最爽的一次,久久久久亚洲精品,香蒸焦蕉伊在线,国产网战无遮挡

 
　　機器學習中，決策樹是一個預測模型；它代表的是對象屬性值與對象值之間的一種映射關系。樹中每個節點表示某個對象，每個分叉路徑則代表的某個可能的屬性值，而每個葉結點則對應具有上述屬性值的子對象。決策樹僅有單一輸出；若需要多個輸出，可以建立獨立的決策樹以處理不同輸出。
　　從數據產生決策樹的機器學習技術叫做決策樹學習, 通俗說就是決策樹。
　　關于決策樹，幾乎是數據挖掘分類算法中最先介紹到的。
　　決策樹，顧名思義就是用來做決定的樹，一個分支就是一個決策過程。
　　每個決策過程中涉及一個數據的屬性，而且只涉及一個。然后遞歸地，貪心地直到滿足決策條件(即可以得到明確的決策結果)。
　　決策樹算法：顧名思義，以二分類問題為例，即利用自變量構造一顆二叉樹，將目標變量區分出來，所有決策樹算法的關鍵點如下：
　　1.分裂屬性的選擇：選擇哪個自變量作為樹叉，也就是在n個自變量中，優先選擇哪個自變量進行分叉。而采用何種計算方式選擇樹叉，決定了決策樹算法的類型，即ID3、c4.5、CART三種決策樹算法選擇樹叉的方式是不一樣的。
　　2.樹剪枝：在構建樹叉時，由于數據中的噪聲和離群點，許多分支反映的是訓練數據中的異常，而樹剪枝則是處理這種過分擬合的數據問題，常用的剪枝方法為先剪枝和后剪枝。
　　決策樹是一種十分常用的分類方法。他是一種監管學習，所謂監管學習說白了很簡單，就是給定一堆樣本，每個樣本都有一組屬性和一個類別，這些類別是事先確定的，那么通過學習得到一個分類器，這個分類器能夠對新出現的對象給出正確的分類。這樣的機器學習就被稱之為監督學習。
　　構建一棵決策樹，關鍵問題就在于，如何選擇一個合適的分裂屬性來進行一次分裂，以及如何制定合適的分裂謂詞來產生相應的分支。各種決策樹算法的主要區別也正在于此。 
　　利用決策樹算法構建一個初始的樹之后，為了有效地分類，還要對其進行剪枝。這是因為，由于數據表示不當、有噪音等原因，會造成生成的決策樹過大或過度擬合。因此為了簡化決策樹，尋找一顆最優的決策樹，剪枝是一個必不可少的過程。
　　決策樹學習也是數據挖掘中一個普通的方法。在管理學中，每個決策樹都表述了一種樹型結構，它由它的分支來對該類型的對象依靠屬性進行分類。每個決策樹可以依靠對源數據庫的分割進行數據測試。這個過程可以遞歸式的對樹進行修剪。當不能再進行分割或一個單獨的類可以被應用于某一分支時，遞歸過程就完成了。另外，隨機森林分類器將許多決策樹結合起來以提升分類的正確率。
　　行業分析發現，決策樹越小，就越容易理解，其存儲與傳輸的代價也就越小，但決策樹過小會導致錯誤率較大。反之，決策樹越復雜，節點越多，每個節點包含的訓練樣本個數越少，則支持每個節點樣本數量也越少，可能導致決策樹在測試集上的分類錯誤率越大。因此，剪枝的基本原則就是，在保證一定的決策精度的前提下，使樹的葉子節點最少，葉子節點的深度最小。要在樹的大小和正確率之間尋找平衡點。 
　　在生成一棵最優的決策樹之后，就可以根據這棵決策樹來生成一系列規則。這些規則采用“If...，Then...”的形式。從根節點到葉子節點的每一條路徑，都可以生成一條規則。這條路徑上的分裂屬性和分裂謂詞形成規則的前件（If部分），葉子節點的類標號形成規則的后件（Then部分）。
　　相對于其他數據挖掘算法，決策樹在以下幾個方面擁有優勢：
　　決策樹易于理解和實現，人們在通過解釋后都有能力去理解決策樹所表達的意義。
　　對于決策樹，數據的準備往往是簡單或者是不必要的，其他的技術往往要求先把數據一般化，比如去掉多余的或者空白的屬性；
　　能夠同時處理數據型和常規型屬性；
　　是一個白盒模型如果給定一個觀察的模型，那么根據所產生的決策樹很容易推出相應的邏輯表達式；
　　易于通過靜態測試來對模型進行評測。 表示有可能測量該模型的可信度；
　　在相對短的時間內能夠對大型數據源做出可行且效果良好的結果。