机器学习之决策树

最新推荐文章于 2022-05-18 16:00:35 发布

东木月

最新推荐文章于 2022-05-18 16:00:35 发布

阅读量518

点赞数 1

分类专栏：机器学习文章标签：决策树机器学习数据挖掘

本文链接：https://blog.csdn.net/lm_is_dc/article/details/81321178

版权

33 篇文章 62 订阅 ¥29.90 ¥99.00

订阅专栏

本文介绍了决策树的原理、构造方法，特别是ID3算法，强调了决策树在分类问题中的应用。通过实例展示了如何使用决策树处理鸢尾花数据集，并对比了KNN和逻辑斯蒂回归算法。此外，文章还探讨了决策树的过拟合问题，并引入了随机森林的概念，解释了随机森林是如何通过构建多棵树来改善预测准确性的。

摘要由CSDN通过智能技术生成

决策树

优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。既能用于分类，也能用于回归

缺点：可能会产生过度匹配问题。

我们经常使用决策树处理分类问题。近来的调查表明决策树也是最经常使用的数据挖掘算法。它之所以如此流行，一个很重要的原因就是使用者基本上不用了解机器学习算法，也不用深究它是如何工作的。

决策树分类的思想类似于找对象。现想象一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话：

  女儿：多大年纪了？

  母亲：26。

  女儿：长的帅不帅？

  母亲：挺帅的。

  女儿：收入高不？

  母亲：不算很高，中等情况。

  女儿：是公务员不？

  母亲：是，在税务局上班呢。

  女儿：那好，我去见见。

这个女孩的决策过程就是典型的分类树决策。相当于通过年龄、长相、收入和是否公务员对将男人分为两个类别：见

了解本专栏

关注

专栏目录