机器学习_各种决策树的原理

【1】转载自http://blog.csdn.net/gumpeng/article/details/51397737

【2】简单总结一下：

ID4.5：使用信息增益来选择特征，缺点：偏好分支较多的属性。

C4.5 ：信息增益率、剪枝、连续、缺失均可处理

CART:  基尼不纯度

GBDT:  boosting算法。GBDT的核心就在于，每一棵树学的是之前所有树结论和的残差，这个残差就是一个加预测值后能得真实值的累加量。