决策树-(Detection Tree)
首先它是一个有监督学习算法 、属于判别模型 、非线性分类
优缺点:
优点:
(1)能够处理数值型和类别型数据
(2)不需要先验知识和参数假设
(3)适合高维数据
(4)准确性高,计算量小
缺点:
(1)决策树的结果不太稳定,数据很小变化会导致生成一个完全不同的树
(2)决策树学习基于启发式,每次寻找每个节点的局部最优就决策,无法保证全局最优
(3)决策树可以创建很复杂的树,但是可能无法推广,也即是过拟合,为此剪枝很关键
适用数据类型:数值型和标称型。
应用场景:常用于分类和回归,市场营销和生物医药
描述:
参考:决策树学习的本质: 从训练集中归纳出一组分类规则,或者