决策树与神经网络

决策树：在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于零的概率。机器学习中，决策树是一个预测模型，代表的是对象属性与对象值的一种映射关系。Entropy=系统的凌乱程度。使用算法ID3，C4.5和C5.0生成树算法使用熵。

决策树：每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。

决策树是一种常用的分类方法，是一种监督学习。监督学习：给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。

决策树组成：1.决策点，即对几种可能方案的选择，以决策树根部的决策点为最终决策方案。2.状态节点，代表备选方案的经济效果（期望值）

决策树包括预先剪枝和后剪枝两种，剪枝是决策树停止分支的方法之一。

人工神经网络（Artificial Neural Networks,简称ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model）：是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。通过调整内部大量节点之间相互连接的关系，达到信息处理目的。

人工神经网络按其模型结构大