本文介绍了CART算法，一种用于分类和回归的决策树方法。CART通过二元分割对特征空间进行划分，对标称和数值型属性都能处理。在节点划分中，标称属性生成二叉树，数值型属性则通过阈值划分。选择特征时，CART基于基尼指数。CART分类与ID3、C4.5类似，而回归时采用叶子节点的均值或加权平均。更优的做法是在每个叶子节点建立线性模型以提高回归精度。
决策树算法包括ID3，C4.5，CART。这里的CART：classification and regression tree.CART的本质是对特征空间进行二元分割，即CART生成的树是一颗二叉树，并能对标称属性与数值型属性进行分割。树模型有两个核心问题，一是如何选择当前节点中的特征来划分数据，二是树的构建何时停止。
1. 节点分支
对于标称属性而言，不论该属性有几种取值，都只能划分成二叉树。比如age = {young, medium, old}，划分成young = {young}, no young = {medium, old} 或者 medium = {medium}, no medium = {young, old} 或者 old = {old}, no old = {young, medium}。
对于数值型属性而言，可以设定一个阈值T，大于
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
