分類樹和回歸樹的區別：分類樹被用於**定性變數(即類別變數)而非定量變數。在回歸樹中，相應**值取它所屬的葉節點的訓練觀測的平均相應值；在分類樹中，相應**值取它所屬的葉節點的訓練觀測中最常出現的類別。
分類樹也採用遞迴二叉**方法。但在分類樹中，rss無法作為二叉**的準則，替代指標是分類錯誤率。
分類錯誤率可以如下定義：此區域的訓練觀測中非最常見類別所佔的比例，其數學表示式為：
但分類錯誤率在構建分類樹的過程中不夠敏感。在實踐中，我們通常採用下面的兩個指標：
如果基尼指數的值較小，意味著第m個節點所包含的觀測值幾乎都來自於同乙個類別。
因為基尼指數和互熵這兩個指針對節點的純度更敏感，所以在構建分類樹的過程中常用他們來衡量特定**點的**結果。但若我們的目標是追求更高的**準確性的話，此時建議選擇分類錯誤率這一指標。
機器學習分類器 決策樹
一 決策樹 經常使用決策樹來處理分類問題，決策樹也是最經常使用的資料探勘演算法，不需要了解機器學習的知識，就能搞明白決策樹是如何工作的。knn演算法可以完成很多分類任務，但它最大的缺點就是無法給出資料的內在含義，決策樹的主要優勢在於資料形式非常容易理解 決策樹能夠讀取資料集合，其乙個重要任務是為了資...
機器學習分類
監督學習是從標記的訓練資料來推斷乙個功能的機器學習任務。訓練資料報括一套訓練示例。在監督學習中，每個例項都是由乙個輸入物件 通常為向量 和乙個期望的輸出值 也稱為監督訊號 組成。監督學習演算法是分析該訓練資料，並產生乙個推斷的功能，其可以用於對映出新的例項。主要有 非監督學習是在未加標籤的資料中，試...
機器學習分類
一 機器學習的概念 從廣義上來說，機器學習是一種能夠賦予機器學習的能力以此讓它完成直接程式設計無法完成的功能的方法。但從實踐的意義上來說，機器學習是一種通過利用資料，訓練出模型，然後使用模型 的一種方法。二 機器學習的分類 1.監督學習 監督學習 資料集有輸入和輸出資料 通過已有的一部分輸入資料與輸...