本文介绍了CART决策树的概念，它既可以用于分类任务也能处理回归问题。CART树通常构建为二叉树，并通过递归的方式进行数据划分。文章详细阐述了CART树的构建过程，包括寻找最佳分割特征、数据二分以及剪枝以防止过拟合。此外，还提供了Python代码示例来构建和剪枝决策树。
机器学习之分类回归树(python实现CART)
之前有文章介绍过决策树(ID3)。简单回顾一下：ID3每次选取最佳特征来分割数据，这个最佳特征的判断原则是通过信息增益来实现的。按照某种特征切分数据后，该特征在以后切分数据集时就不再使用，因此存在切分过于迅速的问题。ID3算法还不能处理连续性特征。 下面简单介绍一下其他算法：
CART 分类回归树
CART是Classification And Regerssion Trees的缩写，既能处理分类任务也能做回归任务。
CART树的典型代表时二叉树，根据不同的条件将分类。
CART树构建算法 与ID3决策树的构建方法类似，直接给出CART树的构建过程。首先与ID3类似采用字典树的数据结构，包含以下4中元素：
最低0.47元/天 解锁文章
扫一扫
1577
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
