a.一種樹形結構的分類器。
b.通過順序詢問分類點的屬性決定分類點的最終類別。
c.決策樹的構建通常根據特徵的資訊增益或其他指標。
d.分類時，只需要按照決策樹中的結點依次進行判斷，即可得到樣本所屬類別。
eg：信用卡償還能力分類決策樹
可通過sklearn.tree.decisiontreeclassifier建立乙個決策樹用於分類，主要引數：
1.criterion：用於選擇屬性的準則。（「gini」代表基尼係數，「entropy」代表資訊增益）
2.max_features：在決策樹結點進行**時，從多少個特徵中選擇最優特徵。（可設定固定數目、百分比或其他標準，預設為使用所有特徵個數）
eg：
from sklearn.datasets import load_iris
from sklearn.tree import decisiontreeclassifier
from sklearn.model_selection import cross_val_score # 計算交叉驗證值的函式cross_val_score
clf = decisiontreeclassifier(
)# 建立一顆基於基尼係數的決策樹並賦值給clf
iris = load_iris(
)# 鳶尾花資料賦值
# 將決策樹分類器作為待評估模型，iris.data鳶尾花資料作為特徵，iris.target鳶尾花分類標籤作為目標結果，通過設定cv為10，使用10折交叉驗證，即可得到最終的交叉驗證得分
print
(cross_val_score(clf, iris.data, iris.target, cv=10)
)
a.決策樹本質上是尋找一種對特徵空間上的劃分，旨在構建乙個訓練資料擬合的好，並且複雜度小的決策樹。
b.實際使用中需根據實際資料情況調整decisiontreeclassifier類中的傳入的引數，比如選擇合適的criterion，設定隨機變數等。
機器學習筆記 監督學習之決策樹
0機器學習中分類和 演算法的評估 1決策樹 判定樹 的概念 決策樹是乙個類似於流程圖的樹結構 可以是二叉樹或多叉樹 其中，每個內部結點表示在乙個屬性上的測試，每個分支代表乙個屬性輸出，而每個樹葉結點代表類或類分布。樹的最頂層是根結點。機器學習中分類方法中的乙個重要演算法。2.熵 entropy 概念...
機器學習之決策樹分類器
決策樹，當下比較流行的有三種分類器，c4.5,id3,cart，不過大同小異，主要的區別就是選擇的目標函式不同，id3使用的是資訊增益，c4.5使用資訊增益率，cart使用的是gini係數。具體的原理就不說了，去翻翻別的博主吧，下面給出本人測試的小demo，幫助各位學者更快入手。coding utf...
機器學習筆記 監督學習 無監督學習分類筆記
無監督學習 給出一資料組，並已知曉這組資料的對應關係，然後給出一組新的資料，嘗試對其進行 和分析，這裡注意，提前給出的資料組 data set 是已知內部的資料的對應關係，後面給出的新的資料，是要依據對之前資料的學習後，給出新的資料對應的 值。而對於 的結果的不同，又將監督學習分為分類 classf...