机器学习算法总结_决策树 (2).pdf
版权申诉
100 浏览量
2022-07-03
13:13:26
上传
评论
收藏 1022KB PDF 举报
第三章 决策树
决策树(Decision Tree）是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等于零的概率，评价项目风险，判断其可行性的
决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形
很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代
表的是对象属性与对象值之间的一种映射关系。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。这一度量是基于信息学理论中熵
的概念。
2.1 决策树模型与学习
2.1.1 决策树模型
定义 2.1（决策树） 分类决策树模型是一种描述对实例进行分类的树形结
构。决策树由结点（node）和有向边（directed edge）组成。
□——决策点，是对几种可能方案的选择，即最后选择的最佳方案。如果决
策属于多级决策，则决策树的中间可以有多个决策点，以决策树根部的决策点为
最终决策方案为最终决策方案。
○——状态节点，代表备选方案的经济效果（期望值），通过各状态节点的
经济效果的对比，按照一定的决策标准就可以选出最佳方案。由状态节点引出的
分支称为概率枝，概率枝的数目表示可能出现的自然状态数目每个分枝上要注明
该状态出现的概率。
△——结果节点，将每个方案在各种自然状态下取得的损益值标注于结果节
点的右端。
剩余19页未读，继续阅读
资源评论
