决策树：基本的分类与回归方法，可转化未为if-then规则的集合，可看作定义在特征空间划分上的类的条件概率分布
-优点：模型具有可读性，分类速度快
-目标决策树与训练集数据矛盾较小，同时具有很好的泛化能力
决策树学习的本质：从训练数据集中归纳出一组分类规则；目的：构建一个与训练数据拟合很好且复杂度小的决策树
-常用算法：ID3、C4.5、CART
特征选择：
决策树的生成对应于模型的局部选择；决策树的简直对应于模型的全局选择
-决策树的生成：
-决策树的修剪：
决策树：基本的分类与回归方法，可转化未为if-then规则的集合，可看作定义在特征空间划分上的类的条件概率分布
-优点：模型具有可读性，分类速度快
-目标决策树与训练集数据矛盾较小，同时具有很好的泛化能力
决策树学习的本质：从训练数据集中归纳出一组分类规则；目的：构建一个与训练数据拟合很好且复杂度小的决策树
-常用算法：ID3、C4.5、CART
特征选择：
决策树的生成对应于模型的局部选择；决策树的简直对应于模型的全局选择
-决策树的生成：
-决策树的修剪：
名师互学网 版权所有 (c)2021-2022 ICP备案号：晋ICP备2021003244-6号
