决策树是一种常见的分类与回归机器学习算法，由于其模型表达性好，便于理解，并能取得较好的效果，而受到广泛的应用。下图是一个简单的决策树，决策树每个非叶子节点包含一个条件，对于具有连续值的特征，该条件为一个上界，如果实例对应的特征值小于该上界则被划分到左子节点，否则被划分到右子节点，对于具有离散值的特征，该条件为一个子集，如果实例对应的特征值属于该子集则被划分到左子节点，否则被划分到右子节点。如此下去，一个实例从根节点开始，不断地被划分，直到叶子节点。对于分类问题，叶子节点输出其类别，对于回归问题，叶子节点输出其分值或概率...
http://sharkdtu.com/posts/mllib-tree.html
相关文章
- 吴裕雄 python 机器学习——集成学习梯度提升决策树GradientBoostingRegressor回归模型
- 机器学习之决策树二-C4.5原理与代码实现
- 日撸 Java 三百行（61-70天，决策树与集成学习）
- 百面机器学习—3.逻辑回归与决策树要点总结
- 机器学习之决策树一-ID3原理与代码实现
- 决策树算法中基尼指数与信息增益的比较
- Python数据挖掘入门与实践 第三章 用决策树预测获胜球队（二） 随机森林(RandomForest)
- c#与matlab混合编程 调用机器学习工具箱 决策树
- 集成k-最近邻(k-NN)、朴素贝叶斯、Logistic回归、支持向量机(SVM)、决策树、随机森林、多层感知机的一个机器学习示例
- 【机器学习】决策树总结|ID3 C4.5/C5.0 CHAID CART与QUEST