决策树、决策表

决策树(Decision Tree）
是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。

决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。

决策树又称分类树，是一种十分常用的分类方法。
它是一种监督学习，简单来说，就是给定一些样本，每个样本都有一组属性和一个类别，那么通过学习这些样本得到一个分类器，这个分类器能够对新出现的对象进行正确的分类，即为监督学习。

优点：
1.决策树易于理解和实现，它能够直接体现数据的特点，在经过解释后都能简单的理解决策树所代表的意义。

2.决策树能够同时处理数据型和常规型属性，在相对短的时间内能对大型数据源做出可行且效果良好的结果。

3.决策树易于通过静态测试来对模型进行评测，可以测定模型可信度。

缺点：
1.对连续性的字段比较难预测。

2.对有时间顺序的数据，需要很多预处理的工作。

3.当类别太多时，错误可能就会增加的比较快。

4.一般的算法分类的时候，只是根据一个字段来分类。<