![0f3042747f9a209588f6c74444c91c27.png](https://img-blog.csdnimg.cn/img_convert/0f3042747f9a209588f6c74444c91c27.png)
之前介绍了机器学习相关的内容,实际上机器学习从本质上来说是在模拟人类本身的行为,在现实生活中,我们会遇到各种选择,不论是选择男女朋友,还是挑选水果,都是基于以往的经验来做判断。如果把判断背后的逻辑整理成一个结构图,你会发现它实际上是一个树状图,实际上,这就是本期要提到的决策树。
![8780a0d7658b2d3fd0befeabe2e144ea.png](https://img-blog.csdnimg.cn/img_convert/8780a0d7658b2d3fd0befeabe2e144ea.png)
决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。
决策树是一种树形结构,其中每个内部节点表示一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别。如果按分类来说,其可以被归类为监督学习,也就是在训练时,训练样本数据有对应的目标值。通过对数据样本因子和已知的结果建立联系ÿ