本文介绍了决策树作为机器学习模型，既可以用于分类预测，也可以用于回归分析。主要关注分类预测任务，通过解释二分类和多分类问题，展示了如何根据数据集中的属性构建决策树。文章详细阐述了如何利用信息熵和基尼不纯度选择节点，并给出了构建决策树的过程，强调了根节点、内部节点和叶子节点的定义，以及如何使用决策树进行分类预测。
今天来了解和学习第二个机器学习模型：决策树
决策树和很多其他的机器学习算法不同，其他的机器学习算法，有的一般只用于分类（Classification）预测，有的一般只用于回归(Regression)分析。而决策树，是既可以做分类预测，也可以做回归分析。
关于回归和分类的区别，链接传送门：https://www.zhihu.com/question/21329754
关于决策树的发展历史，链接传送门：https://www.jiqizhixin.com/graph/technologies/80fbc146-bc42-4585-93e3-21c2dd5ca63f
（后面找时间好好看一下每一篇文章的核心思想和推导过程，从信息论开始，后面有ID3、CHAID、CART、QUEST 和 C4.5，做个专栏出来。）
总的来说，决策树主要就是解决两种类型的任务：分类预测和回归分析。
今天就关注分类预测任务。
决策树，解决分类问题。
二分类问题：label的数学表达是0 or 1
多分类问题：label的数学表达式0 or 1 or 2, …
这里介绍决策树的基本构建过程：
前言：获得数据集，这里借用了b站一个小姐姐的讲解所用到的数据集：https://www.bilibili.com/video/BV1T7411b7DG?from=search&seid=8503332607587607392
我已经列出来了：
最低0.47元/天 解锁文章
3332
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
