“文章原创,转载请注明出处”
一、开始
在介绍决策树的概念内容之前,先来初步了解一下决策树的流程。这是一个很简单的概念,通过一张简单的流程图就可以大致了解决策树是干什么的,怎么干的。
二、相关概念
1. 一些概念
- 决策树学习是一种逼近离散值目标函数的方法。
- 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,叶子的节点即为实例所属的分类。
- 决策树上的每一个节点,指定了对实例的某一个属性的测试,并且,该节点的每一个后续分支对应该属性的一个可能值。
2. 分类方法
从树的根节点开始,测试这个节点指定的属性,然后按照给定实例的该属性值对应的分支向下移动。然后以新节点作为根节点重复上面的过程直至结束。
三、 评价
通过决策树的流程,可以发现决策树的计算复杂度不高,而且其输出的结果易于理解,并且对缺失值不敏感。
但是,正是由于其划分过于细致,可能会导致过度匹配问题(与回归中的overfitting类似)。
四、主要的决策树算法
从决策树的流程可以看出,如何选择属性作为节点以测试实例是最为关键的一步。不同的算法采取了不同的方法,主要的决策树算法有这样几个:
- ID3
- C4.5 (数据挖掘十大算法之一,也是ID3算法的改进)
- C5.0 (C4.5的改进,适用于处理大数据集,采用Boosting方式提高模型准确率,因而又称BoostingTrees。)
- CART(数据挖掘十大算法之一)
下一篇就开始讲讲一些决策树的算法。