决策树

机器学习中存在各种不同的分类模型，如逻辑回归、决策树、朴素贝叶斯和支持向量机等。评估不同分类模型性能的方法是相通的。

“预测”就是根据已知的输入和输出进行学习，并依照给定的新输入给出我们自己的判断。

哪三个模型呢？决策树、K-means聚类、因子分析。

机器学习常见的算法面试题总结

本章我们要讨论一种简单的非线性模型，用来解决回归与分类问题，称为决策树（decision tree）。

决策树故名思意是用于基于条件来做决策的，而它运行的逻辑相比一些复杂的算法更容易理解，只需按条件遍历树就可以了，需要花点心思的是理解如何建立决策树。

机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。本文主要回顾下几个常用算法的适应场景及其优缺点！（提示：部分内容摘自网络）。

决策树 (又称判定树，Decision Tree)是硕、博士生数据挖掘课程要点和难点，教学实践表明，这一章需要数学基础知识多，难得有趣。明知是难点，偏向难点行，再难也要“趣味”一番，从课程PPT中取了一些素材，把漫谈的焦点选在了水泊梁山。

摘要：决策树是一种通过对历史数据进行测算实现对新数据进行分类和预测的算法。简单来说决策树算法就是通过对已有明确结果的历史数据进行分析，寻找数据中的特征。并以此为依据对新产生的数据结果进行预测。 决策树由3个主要部分组成，分别为决策节点，分支，和叶子节点。其中决策树最顶部的决策节点是根决策节点。每一个分支都有一个新的决策节点。决策节点下面是叶子节点。每个决策节…