1. 決策樹的分類速度快

   決策樹有個步驟：特征選擇，決策樹生成，和決策樹的修剪。

2. 特許選擇：在於選取對訓練數據具有分類能力的特征，這樣可以提高決策樹學習的效率。如果利用一個特征進行分類的結果與隨機分類的結果沒有很大差別，則稱這個特征是沒有分類能力的。經驗上任掉這些的特征對決策樹學習的精度影響。

3. 通常特征選擇的準則是信息增益，或信息增益比。

   在學習信息增益的時候，首先是要了解一個概念：熵(entropy)是表示隨機變量不確定的度量，

   信息越少，越是不確定，熵也就會越大。熵的公式為H(x)=-sum(pi*logpi)(i=1,2....n)

   熵的取值只依賴於x的分布，並不是x越大，熵就越大，等。

   信息增益 g(D,A)特征A對訓練集D的信息增益==H(D)-H(D/A)之差。又稱互信息。

信息增益存在一定的問題，往往偏向於選擇取值較多的特征的問題

後人又提出信息增益比: gr(D,A)=g(D,A)/Ha(D)意思就是A在特征D上的信息增益比上A的信息熵。

ID3,C4.5算法的生成不再這講

決策樹生成算法遞歸地產生決策樹，直到不能繼續下去為止。模型復雜，這樣產生的樹往往對訓練數據的分類很正確，但是往往會出現過擬合現象，降低模型復雜度，就是對決策樹進行剪枝。

CART回歸樹。

本文出自 “簡答生活” 博客，謝絕轉載！

決策樹的理解