人工智能
决策树的构成要素
决策树是一种解决分类问题的算法,决策树算法采用树形结构,使用层层推理来实现最终的分类。决策树由下面几种元素构成:
根节点:包含样本的全集
内部节点:对应特征属性测试
叶节点:代表决策的结果
预测时,在树的内部节点处用某一属性值进行判断,根据判断结果决定进入哪个分支节点,直到到达叶节点处,得到分类结果。
这是一种基于if-then-else规则的有监督学习算法,决策树的这些规则通过训练得到,而不是人工制定的。
决策树是最简单的机器学习算法,它易于实现,可解释性强,完全符合人类的直观思维,有着广泛的应用。
决策树的经典算法
1、ID3算法
ID3是最早提出的决策树算法,他就是利用信息增益来选择特征的。
2、C4.5算法
他是ID3的改进版,他不是直接使用信息增益,而是引入“信息增益比”指标作为特征的选择依据。
3、CART(ClassificationandRegressionTree)
这种算法即可以用于分类,也可以用于回归问题。CART算法使用了基尼系数取代了信息熵模
全部0条评论
快来发表一下你的评论吧 !