机器学习第3天决策树分类算法与应用.pdfVIP

机器学习算法 day04_决策树分类算法及应用 课程大纲 决策树分类算法原理 决策树算法概述 决策树算法思想 决策树构造 算法要点 决策树分类算法案例 案例需求 Python 实现 决策树的持久化保存 课程目标： 1、理解决策树算法的 思想 2、理解决策树算法的代码实现 3、掌握决策树算法的应用步骤：数据处理、建模、运算和结果判定 1. 决策树分类算法原理 1.1 概述 决策树（decision tree ）——是一种被广泛使用的分类算法。 相比贝叶斯算法，决策树的优势在于构造过程不需要任何领域知识或参数设置 在实际应用中，对于探测式的知识发现，决策树更加适用 1.2 算法思想 通俗来说，决策树分类的思想类似于找对象。现想象一个 的母亲要给这个 介绍男朋 友，于是有了下面的 ： 女儿：多大年纪了？ 母亲：26。 女儿：长的帅不帅？ 母亲：挺帅的。 女儿：收入高不？ 母亲：不算很高，中等情况。 女儿：是？ 母亲：是， 不在税务局上班呢。 女儿：那好，我去见见。 这个 的决策过程就是典型的分类树决策。 实质：通过 、长相、收入和是否 对将 分为两个类别：见和不见 假设这个 对 的要求是：30 岁以下、长相中等以上并且是高收入者或中等以上收入 的 ，那么这个可以用下图表示 的决策逻辑 上图完整表达了这个 决定是否见一个 对象的策略，其中：  绿色节点表示判断条件  橙色节点表示决策结果  箭头表示在一个判断条件在不同情况下的决策路径 图中红色箭头表示了上面例子中 的决策过程。 这幅图基本可以算是一颗决策树，说它“基本可以算”是因为图中的判定条件没有量化，如 收入高中 等，还不能算是严格意义上的决策树，如果将所有条件量化，则就变成真正的 决策树了。 决策树分类算法的关键就是根据“先验数据”构造一棵最佳的决策树，用以预测未知数据的类 别 决策树：是一个树结构（可以是二叉树或非二叉树）。其每个非叶节点表示一个特征属性上 的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使 用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值 选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。 1.3 决策树构造 1.3.1 决策树构造样例 假 以下判断苹果好坏的数据样本： 样本