决策树是一种决策分析方法，它利用决策树根据已知的各种情况发生的概率决策树和判断表用来描述，得出净现值的期望值大于或等于零的概率，评估项目风险，判断其可行性。它是一种直观地利用概率分析的图形方法。由于这种决策分支被画成一个形似树枝的图形，所以被称为决策树。在机器学习中，决策树是一种预测模型，表示对象属性和对象值之间的映射关系。熵=系统的无序程度。在使用算法ID3、C4.5和C5.0的树生成算法中使用熵。这个度量基于信息论中的熵的概念。
决策树是一种树结构，其中每个内部节点代表对某个属性的测试，每个分支代表一个测试输出，每个叶节点代表一个类别。
分类树（决策树）是一种非常常用的分类方法。它是一种监督学习的方法。所谓监督学习，就是给出一堆样本，每个样本有一组属性和一个类别，这些类别是事先确定好的，然后通过学习得到一个分类器，这个分类器能对新出现的物体给出正确的分类。这种机器学习就叫监督学习。
在机器学习中，决策树是一种预测模型；它表示对象属性和对象值之间的映射关系。树中的每个节点代表一个对象，每条分叉路径代表一个可能的属性值，每个叶节点对应于从根节点到叶节点的路径所表示的对象的值。决策树只有一个输出。如果您想要多个输出，可以构建独立的决策树来处理不同的输出。决策树是数据挖掘中经常使用的技术。它们可用于分析数据，也可用于进行预测。
从数据生成决策树的机器学习技术称为决策树学习，或更常见的是决策树。
决策树包含三种类型的节点：
决策节点：通常用矩形框表示
机会节点：通常用圆圈表示
终点：通常用三角形表示
决策树学习也是数据挖掘中的一种常用方法。在这里，每棵决策树都代表一个树结构，通过其分支按属性对同一类型的对象进行分类。可以通过对源数据库进行分割来对每棵决策树进行数据测试。这个过程可以递归地剪枝。当无法再进行分割或单个类可以应用于分支时，递归过程就完成了。此外，随机森林分类器将许多决策树组合在一起，以提高分类的准确性。
决策树也可以通过计算条件概率来构建。
决策树如果借助数学计算方法，可以达到更理想的效果决策树和判断表用来描述，数据库如下：
(x, y) = (x1, x2, x3…, xk, y)
相关变量 Y 代表我们试图理解、分类或更一般地表示的结果。其他变量 x1、x2、x3 等是帮助我们实现目标的变量。
暂无评论内容