机器学习之笔记-决策树

决策树

1. 概念:
   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。

2. 一般流程:
   (1)收集数据 :可以使用任何方法
   (2)准备输入数据 :树构造算法只适用于标称型数据,因此数值型数据必须离散化
   (3)分析输入数据 :可以使用任何方法,构造树完成后,我们应该检查图形是否符合预期
   (4)训练算法 :构造树的数据结构
   (5)测试算法 :使用经验树计算错误率
   (6)使用算法 :此步骤可以使用于任何监督学习算法,而使用决策树可以更好地理解数据的内在含义

3. 优缺点:
   (1)优点: 计算复杂=度不高,输出接轨易于理解,对中间之的却是不敏感,可以处理不相关特征数据.
   (2)缺点:可能会产生过度匹配问题
   (3)适用数据类型: 数值型和标称型