1. 什么是决策树/判定树（decision tree)?

判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

决策树

2. 构造决策树的基本算法

3. 熵（entropy）概念

香农指出，一条信息的信息量和它的不确定性之间有着直接的关系。因此可以使用信息熵来描述信息量的多少。

信息熵的定义为：设一个随机变量X，其可能的m种取值为x1,x2,⋯,xm，对于每一种取值的概率为：p1,p2,⋯,pm，那么随机变量X的不确定度，即信息熵，用H(X)表示：

变量的不确定性越大，熵也就越大

4. 决策树归纳算法 （ID3）

1970-1980， J.Ross. Quinlan, ID3算法
选择属性判断结点
信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D)
通过A来作为节点分类获取了多少信息

类似，Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048

因为年龄（age）的信息获取量最大，所以选择age作为第一个根节点

不断重复上面的过程继续往下分，直到某一分支的样本都在同一个类（全部是yes或全部是no），则该结点成为树叶，并用该类标号。
当分到最后没有剩余属性可以用来进一步划分样本时，使用多数表决，将给定的结点转换成树叶，并用样本中的多数所在的类标记它（少数服从多少原则）。

5. 其他算法：

C4.5: Quinlan

Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)

共同点：都是贪心算法，自上而下(Top-down approach)

区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)

6. 树剪枝叶

避免overfitting：分的太细，深度太深，在训练集上表现的很好，但是在测试集上就表现的不理想。

解决方法：

• 先剪枝
  分到一定的深度，纯度达到一定百分比，就不继续往下分了。
• 后剪枝
  先把树建好，在根据一定的标准，剪掉最低下的叶子。

7. 决策树的优点：

直观，便于理解，小规模数据集有效

8.决策树的缺点：

• 处理连续变量不好

• 类别较多时，错误增加的比较快

• 可规模性一般

            【注】：本文为麦子学院机器学习课程的学习笔记