机器学习之决策树.pptVIP

找素材就上变色龙网。本资源来自网络分享，免费供交流学习，严禁商用 决策树的原理及适用情景 第一页，编辑于星期五：二十三点 二十一分。 内容 简单案例 1 原理 2 优缺点 3 适用情景 4 第二页，编辑于星期五：二十三点 二十一分。 一个决策树的例子 第三页，编辑于星期五：二十三点 二十一分。 运用决策树分类预测 第四页，编辑于星期五：二十三点 二十一分。 运用决策树分类预测 第五页，编辑于星期五：二十三点 二十一分。 运用决策树分类预测 第六页，编辑于星期五：二十三点 二十一分。 运用决策树分类预测 第七页，编辑于星期五：二十三点 二十一分。 运用决策树分类预测 第八页，编辑于星期五：二十三点 二十一分。 运用决策树分类预测 第九页，编辑于星期五：二十三点 二十一分。 同一个训练数据生成另一棵决策树 第十页，编辑于星期五：二十三点 二十一分。 问题来了？ 什么是决策树？ 第十一页，编辑于星期五：二十三点 二十一分。 决策树概念 根节点 叶子节点 第十二页，编辑于星期五：二十三点 二十一分。 决策树概念 决策树是一种树形结构，通过做出一系列决策（选择）来对数据进行划分，这类似于针对一系列问题进行选择。 决策树的决策过程就是从根节点开始，测试待分类项中对应的特征属性，并按照其值选择输出分支，直到叶子节点，将叶子节点的存放的类别作为决策结果。 一句话概括：从训练数据中学习得出一个类似于流程图的树型结构。 第十三页，编辑于星期五：二十三点 二十一分。 决策树算法 信息增益—ID3 增益比率—C4.5 基尼指数—CART 第十四页，编辑于星期五：二十三点 二十一分。 信息熵 一条信息的信息量和它的不确定性有着直接的关系 公式定义： 变量的不确定性越大，熵也就越大，需要的信息量也越大，纯度就越小。 第十五页，编辑于星期五：二十三点 二十一分。 条件熵 第十六页，编辑于星期五：二十三点 二十一分。 信息增益 第十七页，编辑于星期五：二十三点 二十一分。 举例说明 第十八页，编辑于星期五：二十三点 二十一分。 按年龄划分 第十九页，编辑于星期五：二十三点 二十一分。 按收入划分 第二十页，编辑于星期五：二十三点 二十一分。 找素材就上变色龙网。本资源来自网络分享，免费供交流学习，严禁商用 * *