机器学习2-决策树的构建要点

决策树

优点：计算复杂度不高，输出结果易于理解，中间值的缺失对其影响较小，可以处理无关联的“特征数据”。
缺点；容易产生过度匹配。
适用数据类型：数值型和标称型。

构建决策树的注意点

1. 找到决定性特征（数据集的某个特征在划分数据分类时起确定作用，我们必须找到这个特征）
2. 评估每个特征（为了找到决定性特征，划分出最佳结果）

一般设想思路

1. 测试结束后，原始数据被划分为几个“数据子集”
2. 几个“数据子集”在第一个决策点的所有分支上。这是如果有某个分支下的数据属于同一类型，则这些数据已经已经被正确的划分数据类型。相反数据子集内的数据不属于同一类型，则需要继续重复划分数据子集的类型，直到所有具有相同类型的数据都在一个数据子集中！（这里划分数据子集的方法和划分原始数据的方法一致，都是找到决定性特征，进行归类）