2019-01-11
阅读量:
658
简述决策树学习
决策树还可用于帮助构建自动预测模型，其在机器学习，数据挖掘和统计中具有应用。 这种方法称为决策树学习，它考虑了有关项目的预测，以预测该项目的价值。
在这些决策树中，节点代表数据而不是决策。 这种类型的树也称为分类树。 每个分支包含一组属性或分类规则，这些属性或分类规则与特定类标签相关联，该标签位于分支的末尾。
这些规则也称为决策规则，可以用if-then子句表示，每个决策或数据值构成一个子句，例如，“如果满足条件1,2和3，则结果x将是肯定的结果。“
每增加一条数据有助于模型更准确地预测相关主题属于哪一组有限值。 然后，该信息可以用作更大决策模型的输入。
有时预测变量将是实数，例如价格。 具有连续，无限可能结果的决策树称为回归树。
为了提高准确性，有时在集合方法中使用多个树：
- Bagging通过重新采样源数据创建多个树，然后让这些树投票达成共识。
- 随机森林分类器由多个树组成，旨在提高分类率
- 可以用于回归和分类树的提升树。
- 旋转森林中的树木都是通过对数据的随机部分使用PCA（主成分分析）进行训练的
0.0000
0
3
关注作者
收藏
评论(0)
发表评论
暂无数据
推荐帖子
CDA持证人阿涛哥
2025-05-14
0条评论
CDA持证人阿涛哥
2024-10-29
0条评论
CDA持证人阿涛哥
2024-04-14
0条评论