决策树的构成要素及算法

人工智能

635人已加入

描述

  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

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分