人工智能与大数据技术：基于决策树和搜索的智能系统（上）PPT教学课件.pptx

|人工智能与大数据技术|;;决策树;6.1【实例】读心术;6.1.2决策树概述;6.1.3决策树模型;6.1.3决策树模型;6.1.4决策树学习;6.1.4决策树学习;6.1.4决策树学习;特征选择;决策树学习的关键在于特征选择，特征选择在于选取对训练数据集具有分类能力的特征，目的在于选取最优划分属性来提高决策树学习效率。

以贷款申请样本数据集为例，如表6-1。

数据包括贷款申请人的4个特征（属性）：第1个特征是年龄，有三个可能值：青年，中年，老年；第2个特征是有工作，有两个可能值：是，否；第3个特征是有自己的房子，有2个可能值：是，否；第4个特征是信贷情况，有3个可能值：非常好，好，一般；表的最后一列表示是否同意贷款，有两个值：是，否。;当客户向银行提出贷款时，依据申请人的特征利用决策树决定是否批准其贷款申请。图6-3表示从表6-1中数据学习到的两个可能的决策树，分别由两个不同的根结点构成。其中图6-3（a）根结点由年龄构成，图6-3（b）根结点由有工作构成。;6.2.1信息增益;6.2.1信息增益;6.2.1信息增益;6.2.1信息增益;6.2.2计算信息增益;6.2.2计算信息增益;6.2.3信息增益比;6.2.4基尼指数;决策树生成;6.3决策树生成;6.3.1ID3算法;6.3.1ID3算法;6.3.1ID3算法;6.3.1ID3算法;6.3.2ID3算法缺点;6.3.3C4.5算法;6.3.3C4.5算法;6.3.3C4.5算法;6.3.4CART算法;6.3.4CART算法;6.3.4CART算法;决策树剪枝;6.4决策树剪枝;6.4.1损失函数;6.4.1损失函数;6.4.1损失函数;6.4.2损失函数计算;6.4.2损失函数计算;6.4.2损失函数计算;6.4.3剪枝算法;6.5本章小结;6.5本章小结;6.5本章小结;谢谢