决策树如何用于分类?
data miningdatabasedata structure更新于 2026/2/3 19:22:17
决策树归纳法是从带有类标签的训练元组中学习决策树的过程。决策树是一种类似序列图的树结构，其中每个内部节点(非叶节点)表示对某个属性的测试，每个分支定义测试的结果，每个叶节点(或终端节点)影响一个类标签。树中最高的节点是根节点。
它定义了"购买电脑"的概念，即预测 AllElectronics 的用户是否有可能购买电脑。内部节点用矩形表示，叶节点用椭圆表示。各种决策树算法只能创建二叉树(每个内部节点准确地分支到另外两个节点)，而其他算法可以创建非二叉树。
给定一个元组 X，其相关的类标签是匿名的，根据决策树检查该元组的属性值。从根节点到叶节点的方向会影响该元组的类别预测。决策树可以转换为分类规则。
决策树分类器的开发不需要任何领域知识或参数设置，因此适用于探索性知识发现。
决策树可以管理高维数据。它们以树的形式描述所获得的知识，直观易懂，通常易于人类理解。决策树归纳的学习和分类阶段简单快捷。
一般而言，决策树分类器效率较高。然而，能否成功使用取决于手头的数据。决策树归纳算法已在多个应用领域用于分类，包括医学、制造和生产、货币分析、天文学和分子生物学。决策树基于多种商业规则归纳系统。
在树的构建过程中，使用属性选择度量来选择能够将元组最佳划分为不同类别的属性。决策树构建时，某些分支可能会反映训练记录中的噪声或异常值。树修剪会尝试识别并消除此类分支，以提高对非视图数据的分类准确率。
ID3、C4.5 和 CART 认可一种贪婪(即非回溯)方法，该方法采用自上而下的递归分治法构建决策树。一些决策树归纳算法也遵循这种自上而下的方法，该方法从元组及其相关类标签的训练集合开始。在构建树的过程中，训练集合被递归地划分为更小的子集。
