一、决策树结构：

当前结点包含的样本集合为空，不Neng进项划分。此时 要将当前节点标记为叶节点，将其类别设定为其父结点所含样本Zui许多的类别;利用父结点的先验分布

二、决策树的优不优良的地方：

当前节点包含的样本属于同一类，不需要划分;

。决策树的预测准确性相比一般比回归和分类方法比比kan没劲， 但Neng够通过用集成学方法组合一巨大堆决策树，这样Neng显著提升树的预测效果

决策树是机器学中一种常见的算法，它的思想非常朴素，就像我们平时利用选择Zuo决策的过程。决策树是一种基本的分类与回归方法，当被用于分类时叫Zuo分类树，被用于回归时叫Zuo回归树。

顾名思义，决策树在逻辑上表现为树的形式，包含有节点和向边。

。Neng在不创建哑变量的情况下直接处理定性的预测变量，

。决策树的Zui巨大优良处是对背景知识要求不高大，计算麻烦度也不是hen高大，Neng自学。

。对中间缺失值不敏感

根节点：包含样本全集，从根节点到个个叶结点的路径对应了一个判定测试序列。

我们决策树学的目的是为了产生一棵泛化Neng力有力， 也就是Neng够高大效、有效处理未见示例的决策树。

。当前属性集为空，无法进行划分。这种情况下 需要将当前节点标记成叶节点，并将其类别设定为所含样本Zui许多的类别;利用当前节点的后验分布;

决策树的生成是一个自顶向下的递归过程，其基本思想是以信息熵为度量构造一棵熵值减少Zui迅速的树，到叶子结点处的熵值为零。

一般情况下一棵决策树包含一个根节点、若干个内部节点和若干个叶结点。

三、决策树的生成：

叶节点：表示一个类，对应于决策后来啊。叶节点为到头来的类别，Ru果该数据被包含在该叶节点，则属于该类别。

内部节点：表示一个特征和属性。个个内部节点dou是一个判断条件，并且包含数据集中，满足从根节点到该节点全部条件的数据的集合。根据内部节点的属性测试后来啊，内部节点对应的数据的集合别分到两个或优良几个子节点中。

。说明白性有力， 甚至超出线性回归

在决策树算法中有三种情形弄得递归返回：

轻巧松说决策树是一个利用树的模型进行决策的预测模型，表现出的是对象属性与对象值之间的一种映射关系，轻巧松明了非常轻巧松搞懂。

。属于有监督学

。相比老一套的回归和分类方法，决策树是geng接近人的决策模式

。Neng够用图形来表示， 即使不是专业人士也Neng轻巧松搞懂

如下图中，其中圆和方框分别表示内部节点和叶结点。

四、 ：

决策树方法虽然轻巧松，但掌握了核心，就Neng在3分钟内提升决策效率哦！迅速去试试吧！