決策樹在機器學習中是乙個十分優秀的演算法，在很多技術中都需要用到決策樹這一演算法，由此可見，決策樹是乙個經典的演算法，在這篇文章中我們給大家介紹決策樹演算法的優缺點，希望這篇文章能夠更好的幫助大家理解決策樹演算法。
那麼決策樹自身的優點都有什麼呢，總結下來就是有六點，第一就是決策樹易於理解和解釋，可以視覺化分析，容易提取出規則。第二就是可以同時處理標稱型和數值型資料。第三就是比較適合處理有缺失屬性的樣本。第四就是能夠處理不相關的特徵。第五就是測試資料集時，執行速度比較快。第六就是在相對短的時間內能夠對大型資料來源做出可行且效果良好的結果。
那麼決策樹的缺點是什麼呢？總結下來有三點，第一就是決策樹容易發生過擬合，但是隨機森林可以很大程度上減少過擬合。第二就是決策樹容易忽略資料集中屬性的相互關聯。第三就是對於那些各類別樣本數量不一致的資料，在決策樹中，進行屬性劃分時，不同的判定準則會帶來不同的屬性選擇傾向；資訊增益準則對可取數目較多的屬性有所偏好，而增益率準則cart則對可取數目較少的屬性有所偏好，但cart進行屬性劃分時候不再簡單地直接利用增益率盡心劃分，而是採用一種啟發式規則。
通過上述的內容相信大家已經知道了決策樹的優點和缺點了吧，大家在學習或者使用決策樹演算法的時候可以更好的幫助大家理解決策樹的具體情況，只有了解了這些演算法，我們才能夠更好的使用決策樹演算法。
常見機器學習演算法優缺點
1 線性模型 形式簡單 易於建模 很好的可解釋性 2 邏輯回歸 無需事先假設資料分布 可得到近似概率 對率函式任意階可導的凸函式，許多數值優化演算法都可直接用於求取最優解 3 線性判別分析 lda 當兩類資料同先驗 滿足高斯分布且協方差相等時，lda可達到最優分類 4 boosting 代表adab...
機器學習常見的分類演算法的優缺點
在機器學習中，種類最多的一類演算法要屬很類演算法，本文對機器學習中的各種分類演算法的優缺點做乙個總結。所需估計的引數少，對於缺失資料不敏感。有著堅實的數學基礎，以及穩定的分類效率。假設屬性之間相互獨立，這往往並不成立。喜歡吃番茄 雞蛋，卻不喜歡吃番茄炒蛋 需要知道先驗概率。分類決策存在錯誤率。不需要...
機器學習中各個演算法的優缺點（一）
由於人工智慧的火熱，現在很多人都開始關注人工智慧的各個分支的學習。人工智慧由很多知識組成，其中人工智慧的核心 機器學習是大家格外關注的。所以說，要想學好人工智慧就必須學好機器學習。其中機器學習中涉及到了很多的演算法，在這幾篇文章中我們就給大家介紹一下關於機器學習演算法的優缺點。首先我們給大家介紹一下...