題目要求：根據一些病人的資訊，推薦合適的**眼鏡型別
資料集資訊：有關**眼鏡，他有著24個案例，4維資料，常用於多分類問題
資料準備與資料預處理
資料**：
**眼鏡資料集是十分著名的資料集，它包含很多患者眼部狀況的觀察條件以及醫生推薦的**眼鏡型別。**眼鏡型別包括硬材質，軟材質，以及不適合佩戴**眼鏡。
數即**於uci資料庫。
資料如下：
資料最後一列為醫生建議，前三列為患者眼部情況有關的三個條件。
資料預處理：
因為資料維度低，且無明顯線性關係，所以不採取維歸約。且資料總量少，也並無缺失，所以在此次資料下，並不採取具體的資料處理方法。
資料統計：
採用模型：決策樹
基本原理：
決策樹（decision tree）是一種基本的分類與回歸方法。決策樹模型呈樹形結構，在分類問題中，表示基於特徵對例項進行分類的過程。它可以認為是if-then規則的集合，也可以認為是定義在特徵空間與類空間上的條件概率分布。相比樸素貝葉斯分類，決策樹的優勢在於構造過程不需要任何領域知識或引數設定，因此在實際應用中，對於探測式的知識發現，決策樹更加適用。
演算法實現：
決策樹的主函式：本質上是個遞迴函式，該函式主要功能是根據某種規則生長出決策樹的各個分支節點，並根據終止條件結束演算法。
a) 輸入需要分類的資料集和類別標籤
b) 根據某種分類規則得到最優的劃分特徵，並建立特徵的劃分節點——計算最優特徵子函式
c) 按照該特徵的每個取值劃分資料集為若干部分——劃分資料集子函式
d) 根據劃分子函式的計算結果構建出新的節點，作為樹生長出的新分支
e) 檢驗是否符合遞迴終止條件
f) 將劃分的新節點包含的資料集和類別標籤作為輸入，遞迴執行上述步驟
決策樹分類是乙個比較簡單的分類方法，優缺點明顯，比如優勢是在於在計算複雜度不高，輸出結果易於理解，對中間值的缺失不敏感，可以處理不相關特徵資料。缺點在於可能會產生過度匹配問題。
回到決策樹的演算法層面，以上**的實現基於id3決策樹構造演算法，它是乙個非常經典的演算法，但其實缺點也不少。實際上決策樹的使用中常常會遇到乙個問題，即「過度匹配」。有時候，過多的分支選擇或匹配選項會給決策帶來負面的效果。為了減少過度匹配的問題，通常演算法設計者會在一些實際情況中選擇「剪枝」。簡單說來，如果葉子節點只能增加少許資訊，則可以刪除該節點。
決策樹分類
一 分類的概念 分類是一種重要的資料分析形式，分類方法用於 資料物件的離散類別，而 則用於 資料物件的連續取值 資料分類是兩個階段的過程，包括學習階段和分類階段 學習階段 訓練階段 就是建立描述預先定義的資料類或概念集的分類器 而訓練集是有資料庫元祖和與他們相互關聯的類標號組成 類標號屬性是離散值和...
分類決策樹
決策樹是基於特徵對例項進行分類的樹形結構。決策樹學習演算法包括 特徵選擇 樹的生成和樹的剪枝。2.1.id3 1 針對當前的集合，計算每個特徵的資訊增益 2 選擇資訊增益最大的特徵作為當前節點的決策決策特徵 3 根據特徵不同的類別劃分到不同的子節點 比如年齡特徵有青年，中年，老年，則劃分到3顆子樹 ...
分類決策樹
決策樹是乙個簡單易用的機器學習演算法，具有很好的實用性。在風險評估 資料分類 專家系統中都能見到決策樹的身影。決策樹其實是一系列的if then規則的集合，它有可讀性良好，分類速度快等優點。把決策樹看成是一些if then規則的集合，在每一層樹上根據屬性的值判斷走勢，至到遇到葉節點，葉節點對應的就是...