基于OpenCV的机器学习（四）决策树

决策树

决策树是一种非参数的监督学习方法，主要用于分类和回归。决策树的目的是构造一种模型，使之能够从样本数据的特征属性中，通过学习简单的决策规则——IF THEN规则，从而预测目标变量的值。

决策树往往采用的是自上而下的设计方法，每迭代循环一次，就会选择一个特征属性进行分叉，直到不能再分叉为止。因此，在构建决策树的过程中，选择最佳（既能够快速分类，又能使决策树的深度最小）的分叉属性是关键所在。这种“最佳性”可以用非纯度（impurity）进行衡量。