[Mitchell 机器学习读书笔记]——决策树学习

1、简介

              决策树学习是一种逼近离散值目标函数的方法，在统计学、数据挖掘、机器学习等领域都有应用。利用已有的数据样例集合，学习构造一颗决策树，便于以后预测目标数据的取值（比如分类时的类别等），这种决策树有时也被称作类别树或回归树。

2、决策树表示

         决策树通过把实例从根节点排列到某个叶子节点来分类实例，叶子节点即为实例所属的分类。

         

         下图画出了一颗典型的学习到的决策树，这棵树根据天气情况分类“是否打网球”。

          

          比如：下面的实例将被沿着这可决策树的最左分支向下排列，因而被判定为反例。

          <Outlook = Sunny,Temperature = Hot,Humidity = High,Wind = Strong>

         通常决策树代表实例属性值约束合取的析取式，这种形式如(a  ^  b  ^ c) v(a ^ ~b ^ ~c )，上图表示的决策树对应于以下表达式：