【持续更新】基于Python的机器学习——决策树

决策树简介:

决策树（DT）是用于分类和回归的非参数监督学习方法。目标是创建一个模型，通过学习从数据特征推断出的简单决策规则来预测目标变量的值。

决策树算法在机器学习中算是很经典的一个算法系列了。它既可以作为分类算法，也可以作为回归算法，同时也特别适合集成学习比如随机森林。

决策树的一些优点是：

• 简单易懂和解释。树木可以看到。
• 需要很少的数据准备。其他技术通常需要数据规范化，需要创建虚拟变量并删除空值。但请注意，此模块不支持缺失值。
• 使用树的成本（即，预测数据）是用于训练树的数据点的数量的对数。
• 能够处理数字和分类数据（能处理非数值的数据）。其他技术通常专门用于分析仅具有一种变量类型的数据集。
• 使用白盒模型。如果在模型中可以观察到给定的情况，则可以通过布尔逻辑轻松解释条件。相反，在黑盒模型中（例如，在人工神经网络中），结果可能更难以解释。
• 可以使用统计测试验证模型。这使得可以考虑模型的可靠性