财务大数据分析（AI助学）（第2版 ）5-4课件： 基于决策树的门店销量预测.pptxVIP

任务四基于决策树的门店销量预测

基于决策树的门店销量预测任务要求3任务描述2任务准备1任务实现4

决策树决策树（DecisionTree）是一种常用的机器学习算法，它可以用来进行分类和回归分析。决策树的基本原理是通过一系列的问题来对数据进行分类，每一个问题都对应着数据集中的一个特征。通过不断地提问和分类，决策树最终可以得到一个符合输入数据的输出结果。决策树由节点和分支组成的树形结构。每个节点表示一个特征或条件，每个分支代表从节点到下一个节点的一个可能结果。最顶部的节点称为根节点，最后的节点称为叶节点。决策树通过逐层分割数据来进行决策。每次分割都基于某个特征的某个值，将数据分成两部分或更多部分，直到达到叶节点。每个叶节点给出一个最终的决策或分类。决策树回归与分类的主要区别在于输出值。分类问题输出的是离散的类别标签，而回归问题输出的是连续的数值。例如房地产经纪人根据房子的特征来预测它的价格时，通过如左图所示的简化模型，通过一系列简单的问题，一步步缩小房价的预测范围，最终给出一个具体的预测值。决策树的应用非常广泛，可以用于各种分类和回归问题，比如垃圾邮件过滤、疾病诊断、股票价格预测等。但由于决策树的结构相对简单，容易过拟合（即模型在训练数据上表现很好，但在未知数据上表现不佳）。

随机森林随机森林是基于决策树的集成学习方法。在随机森林中，不是单独使用一棵决策树来预测结果，而是使用多棵