2021-04-26

Homework

了解决策表决策树

决策表：
决策表又称判断表，是一种呈表格状的图形工具，适用于描述处理判断条件较多，各条件又相互组合、有多种决策方案的情况。精确而简洁描述复杂逻辑的方式，将多个条件与这些条件满足后要执行动作相对应。但不同于传统程序语言中的控制语句，决策表能将多个独立的条件和多个动作直接的联系清晰的表示出来。

决策表由四部分组成：左上部列出所有条件，左下部是所有可能做的动作，右上部是表示各种条件组合的一个矩阵，右下部是和每种条件组合相对应的动作。决策表右下部的每一列实质上是一条规则，规定了与特定的条件组合相对应的动作。
决策表能够简洁而又无歧义地描述处理规则。当把决策表和布尔代数或卡诺图结合起来使用时，可以对决策表进行效验或化简。但是，决策表并不适于作为一种通用的设计工具，没有一种简单的方法使它能同时清晰地表示顺序和重复等处理特性。决策表能清晰地表示复杂的条件组合与应做的动作之间的对应关系。
开发决策表的步骤：
1.列出特定过程（或构件）相关的所有动作。
2.列出执行该过程时所有的条件（或所做的决策）。
3.将特定的条件组合与特定的动作相关联，消除不可能的条件组合；或者找出所有可能的条件排列。
4.定义规则，指出一组条件应对应哪个或哪些动作。

决策树：
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。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。
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。
分类树(决策树)是一种十分常用的分类方法。他是一种监管学习，所谓监管学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。