算法+优化方案（一）

1、决策树：

1.1.关键词：决策树分类器；信息熵；信息增益；基尼指数

信息熵表示不确定度，不确定度越高，信息熵越大；当所有样本均属于一类，则信息熵为0，即纯度越高，基尼指数为0；当信息熵比之前的小，其差值表示信息增益（衡量某个特征对分类结果影响的大小）

1.2.matlab函数（自带）：

%创建决策树分类器

ctree=ClassificationTree.fit(train_data,train_label);

%查看决策树视图

view(ctree,'mode','graph');

%仿真测试（分类预测结果）

result=predict(ctree,test_data);

1.3.优化方案：

1）分析叶子节点所含的最小样本数对决策树性能的影响；

2）剪枝；

2、随机森林

2.1.关键词：随机森林分类器；多个决策树；投票众数

随机森林是一个包含多个决策树的分类器，其输出的类别是由个别树输出的类别的众数决定的。

2.2.matlab函数（附带）：

%创建随机森林分类器

model=classRF_train(train_data,train_label);

%仿真测试（分类预测结果）

[result,votes]=classRF_predict(test_data.model);

2.3.优化方案：

1）随机森林中决策树棵树对性能的影响