自己救自己系列，不然要沒工作了，我太難了。
紅色加粗是我見了好多次，感覺經常會考得點。
感覺決策樹是很常考的內容，所以一定要注意！！
1) id3 的構造準則是資訊增益
2) c4.5的構造準則是資訊增益比
3) cart(classfication and regression tree, 分類與回歸樹)
分類問題的構造準則為基尼指數
回歸問題的構造準則為資訊增益比
公式要記，具體詳見：
2、3種演算法的區別，優缺點，應用場景。
區別和優缺點可以參考這篇講決策樹的知乎文章
3、決策樹處理連續值的方法；
4、決策樹如何後剪枝
附問題：欲剪枝，後剪枝，及其比較
更深一點的剪枝演算法：
補充乙個講決策樹的知乎文章
好像就這麼點？因為決策樹主要會和rf, gbdt，xgboost之類一起考，等複習到以後再有補充繼續更
1、機器學習相關準備知識
1.1 svm演算法面試問題彙總 （機器學習必考）
1.2 決策樹演算法面試問題彙總
1.3 邏輯回歸(lr)演算法面試問題彙總
1.4 knn演算法面試問題彙總
1.5 整合學習演算法面試問題彙總(含rf，adboost，gbdt )
3、程式設計相關準備知識（我用的c++）
3.1 set基本定義與使用
3.2 map基本定義與使用
3.3 vector陣列基本定義與使用
3.4 string基本定義與使用
3.5 stack基本定義與使用
決策樹問題彙總
1.簡述決策樹原理？決策樹是一種基本的分類與回歸方法。它可以認為是if then規則的集合，也可以認為是定義在特徵空間與類空間上的條件概率分布。決策樹是一種自上而下，對樣本資料進行樹形分類的過程，由節點和有向邊組成。節點分為內部節點和葉節點，每個內部節點表示乙個特徵或屬性，葉節點表示類別，邊代表劃分...
決策樹筆記彙總
網上關於決策樹的博文已經有很多了。我挑選了幾篇比較好理解的幾篇，作為以後查閱備忘。同時，決策樹剛開始學習時，概念比較多，建議博文結合西瓜書一起看，因為有些公式這樣寫不太理解，但是別的地方換一種寫法，就會容易理解很多。資訊熵 資訊增益 id3 資訊增益比 c4.5 參閱下面兩篇博文 基尼指數 cart...
決策樹演算法
決策樹是一種樹型結構，其中每個內部結點表示在乙個屬性上的測試，每個分支代表乙個測試輸出，每個葉結點代表一種類別。決策樹學習是以例項為基礎的歸納學習，採用的是自頂向下的遞迴方法，其基本思想是以資訊熵為度量構造一棵熵值下降最快的樹，到葉子結點處的熵值為零，此時每個葉節點中的例項都屬於同一類。決策樹學習演...