决策树算法小结

决策树算法的优点：

• 1）简单直观，生成的决策树很直观。
• 2）基本不需要预处理，不需要提前归一化，处理缺失值。
• 3）使用决策树预测的代价是O(log2m)。
• 4）既可以处理离散值也可以处理连续值。很多算法只是专注于离散值或者连续值。
• 5）可以处理多维度输出的分类问题。
• 6）相比于神经网络之类的黑盒分类模型，决策树在逻辑上可以得到很好的解释。
• 7）可以交叉验证的剪枝来选择模型，从而提高泛化能力。
• 8） 对于异常点的容错能力好，健壮性高。

决策树算法的缺点:

• 1）决策树算法非常容易过拟合，导致泛化能力不强。可以通过设置节点最少样本数量和限制决策树深度来改进。
• 2）决策树会因为样本发生一点点的改动，就会导致树结构的剧烈改变。这个可以通过集成学习之类的方法解决。
• 3）寻找最优的决策树是一个NP难的问题，我们一般是通过启发式方法，容易陷入局部最优。可以通过集成学习之类的方法来改善。
• 4）有些比较复杂的关系，决策树很难学习，比如异或。一般这种关系可以换神经网络分类方法来解决。
• 5）如果某些特征的样本比例过大，生成决策树容易偏向于这些特征。这个可以通过调节样本权重来改善。