基于决策树的分类算法

背景：个人对挖掘算法不太了解，学习过程中看到有C4.5算法、CART算法等，看起来都是一样的决策树，不知其区别，所以网络上搜索学习，备忘如下：

 

从决策树开始介绍，该博文不错： 算法杂货铺——分类算法之决策树(Decision tree)

 

决策树在决策过程中，选择根节点属性的度量方法（分裂规则）有多种，一般使用自顶向下递归分治法，并采用不回溯的贪心算法；

我们看到的各种决策树算法，其实主要是因为采用的度量方式的不同而得到的。

下面介绍基于不同的度量方法的三种算法；

     信息增益越大越好（ID3算法）、信息增益率越大越好（C4.5算法）、Gini增益越大越好（CART算法）

 

首先需要了解下信息熵、信息增益的概念，因为度量方法是基于此的；请见： 信息熵(Entropy)、信息增益(Information Gain) 

这些算法基于 奥卡姆剃刀原理（若无必要，勿增实体），即越是小型的决策树越优于大的决策树；

 

ID3算法请见： 归纳决策树ID3(Java实现)

C4.5算法请见： C4.5决策树、 数据挖掘十大经典算法(1)：C4.5算法

CART算法请见： CART算法简介

--------------------

CART 分类回归树Classification and Regreesion Tree

转载于:https://www.cnblogs.com/liyuxia713/p/3573982.html