python决策树案例

1 决策树/判定树(decision tree)

1 决策树(Dicision Tree)是机器学习有监督算法中分类算法的一种，有关机器学习中分类和预测算法的评估主要体现在：准确率：预测的准确与否是本算法的核心问题，其在征信系统，商品购买预测等都有应用。

速度：一个好的算法不仅要求具备准确性，其运行速度也是衡量重要标准之一。

强壮行：具备容错等功能和扩展性等。

可规模性：能够应对现实生活中的实际案例

可解释性：运行结果能够说明其含义。

2 判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

如上案例判断是否去打球？根节点显示14天中9天适合打球，其中5天不适合打球。这里面没有全部一致的情况，说明还需要细分：

1 晴天：晴天中有2天适合打球，3天不适合打球，还需细分①湿度小于等于70时候有2天都适合打球，停止划分；②湿度大于70有3天都不适合打球，停止划分。

2 阴天：共4天都适合打球，停止划分。

3 雨天：3天适合打球，2天不适合打球，继续划分。①没有风的有3天且都适合打球，停止划分；②有风的2天且都不适合打球，停止划分。

注意：有的时候不易太细的划分，特征过多过细的话反而会影响预测的准确率。把大多数归为一类，极少数的可以归到大多数之中。

案例：如上决策树，如果某天是ÿ

python决策树案例

1 决策树/判定树(decision tree)

1 决策树(Dicision Tree)是机器学习有监督算法中分类算法的一种，有关机器学习中分类和预测算法的评估主要体现在：准确率：预测的准确与否是本算法的核心问题，其在征信系统，商品购买预测等都有应用。

速度：一个好的算法不仅要求具备准确性，其运行速度也是衡量重要标准之一。

强壮行：具备容错等功能和扩展性等。

可规模性：能够应对现实生活中的实际案例

可解释性：运行结果能够说明其含义。

2 判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

如上案例判断是否去打球？根节点显示14天中9天适合打球，其中5天不适合打球。这里面没有全部一致的情况，说明还需要细分：

1 晴天：晴天中有2天适合打球，3天不适合打球，还需细分①湿度小于等于70时候有2天都适合打球，停止划分；②湿度大于70有3天都不适合打球，停止划分。

2 阴天：共4天都适合打球，停止划分。

3 雨天：3天适合打球，2天不适合打球，继续划分。①没有风的有3天且都适合打球，停止划分；②有风的2天且都不适合打球，停止划分。

注意：有的时候不易太细的划分，特征过多过细的话反而会影响预测的准确率。把大多数归为一类，极少数的可以归到大多数之中。

案例：如上决策树，如果某天是ÿ