1、什麼是決策樹；
2、知道決策樹的學習目的和基本策略；（分而治之）
3、掌握決策樹演算法，知道有哪三種情況會導致遞迴返回；
1、掌握基本概念和計算公式：資訊熵，資訊增益（著名的id3）；增益率（c4.5演算法）；基尼係數（cart演算法）；
2、知道該如何去選擇合適的劃分方法；
1、為什麼要進行剪紙處理；（對付「過擬合」）
2、決策樹的剪紙處理有哪些方法，對應的優缺點有哪些；（預剪紙和後剪紙）
3、如何判斷剪紙處理的好壞，衡量標準是什麼；
1、掌握連續屬性的選擇方法；
2、若當前節點已經連續屬性a了，後續判別能否出現判別標準a呢？對於離散屬性是否也一樣？
3、如何在屬性值缺失的情況下進行劃分屬性選擇；（資訊增益計算式推廣）
4、給定劃分屬性，若樣本在該屬性上的缺失，如何對樣本進行劃分；（以不同的概率劃分到不同的屬性中去）
1、決策樹所形成的分類變價有什麼明顯的特點？（軸平行）
2、對變數決策樹出現的背景；（學習任務的真實分類邊界比較複雜)
3、如何解決上述問題：利用多變數決策樹；
4、什麼是多變數決策樹；
5、對賦值的決策問題，如何使用多變數決策樹；（對屬性的線性組合）
打卡西瓜書2 第四章 決策樹
學習目的 產生一棵泛化能力強決策樹 分而治之 演算法思想 1.生成結點node 2，3，4用來確定結點類別 2.if 樣本集中包含樣本全屬於同一類別，node設為此類別 a,b,c,d,e都是好瓜 定此類別 3.if 當前屬性集為空或者樣本在所有屬性上取值相同 a,b,c,d,e都是根蒂卷 色澤綠 ...
第四章 決策樹
一般的，一棵決策樹包含乙個根節點，若干個內部節點和若干個葉節點。決策學習的目的是為了產生一棵泛化能力強，即處理未見示例能力強的決策樹。決策樹學習的關鍵是如何選擇劃分屬性。隨著劃分過程的不斷進行，我們希望決策樹的分支節點所包含的樣本盡可能屬於同一類別，即節點的 純度 越來越高。1 資訊增益 資訊熵是度...
機器學習 第四章 決策樹
決策樹原理介紹 決策樹 decision tree 是一類常見的機器學習方法，目的是為了產生一棵泛化能力強，即處理未見示例能力強的決策樹。劃分選擇 決策樹學習的關鍵在於，在每個 節點處如何選擇最優劃分屬性。一般而言，隨著劃分過程不斷進行，我們希望決策樹的分支節點所包含的樣本盡可能屬於同一類別，即節點...