决策树模型通过构造树来解决分类问题。
首先利用训练数据集来构造一棵决策树,一旦树建立起来,它就可为未知样本产生一个分类。
在分类问题中使用决策树模型有很多的优点:
决策树便于使用,而且高效;
根据决策树可以很容易地构造出规则,而规则通常易于解释和理解;
决策树可很好地扩展到大型数据库中,同时它的大小独立于数据库的大小;
决策树可以对有许多属性的数据集构造决策树。
决策树模型也有一些缺点:
比如处理缺失数据时的困难,
过度拟合问题的出现,
以及忽略数据集中属性之间的相关性等。
首先利用训练数据集来构造一棵决策树,一旦树建立起来,它就可为未知样本产生一个分类。
在分类问题中使用决策树模型有很多的优点:
决策树便于使用,而且高效;
根据决策树可以很容易地构造出规则,而规则通常易于解释和理解;
决策树可很好地扩展到大型数据库中,同时它的大小独立于数据库的大小;
决策树可以对有许多属性的数据集构造决策树。
决策树模型也有一些缺点:
比如处理缺失数据时的困难,
过度拟合问题的出现,
以及忽略数据集中属性之间的相关性等。