大数据与人工智能方向基础 ---- 决策树的初步认识

大数据与人工智能方向基础 ---- 决策树的初步认识

目录

前言

一、决策树的基本认识

二、决策树的优势

三、基本流程

四、决策树的使用

---

前言

有很多新手刚刚接触大数据与人工智能方向学习，如果不知道怎么着手的，跟我一起慢慢进步叭~

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、决策树的基本认识

决策树：是一类常见的机器学习方法。

顾名思义，决策树是基于树结构来进行决策的，这恰是人类在面临决策问题时一种很自然的处理机制。例如：我们要对“这是好瓜吗”这样的问题进行决策时，通常会进行一系列的判断或子判断：我们先看“它是什么颜色”，如果是“青绿色”，则我们再看“它的根蒂是什么形态？”，如果是“蜷缩”，我们再判断“它敲起来是什么声音？”，最后，我们得出最终决策：这是个好瓜。决策过程如下：

一般的，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应于决策结果，其他每个结点则对应于一个属性测试；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集。从根结点到每个叶结点的路径对应了一个判定测试序列。若为分类树，则决策结果为预测类别；若为回归树，则决策结果为实数值。

二、决策树的优势

决策树的优势：①语义可表示性：从根节点到叶节点的一条决策规则为合取式，决策规则与决策规则之间是析取式，利用合取式和析取式获得某个类别的明确描述；②决策速度快：只需一系列关于待决策样本的简单查询，即可对样本的输出做出判断；③可以很自然地嵌入专家的先验知识。

三、基本流程

决策树学习的目的是为了产生一棵泛化能力强，即处理未见示例（样本）能力强的决策树，其基本流程遵循简单且直观的"分而治之" (divide-and-conquer) 策略。

归纳：a.特征的选择：基于训练样本集，从中选择最优化分特征

b.决策树的生成（模型的局部选择）：递归生成决策树，拟合训练样本

c.决策树的剪枝（模型的全局选择）：简化模型，使其泛化能力更好，许多分支反映的是训练样本中的噪声和孤立点

四、决策树的使用

模型的使用过程：从根节点开始，对输入样本的特征取值提问，根据不同的回答，转向相应的分支，在到达新的结点处，做类似的分支判断。持续上述过程，直到叶子结点，输出该叶子结点对应的类别标记（或函数值）。

总结

以上只是对决策树的初步认识，更深入的学习请参考后几篇博客呦~