Datawhale组队学习_Task03：详读西瓜书+南瓜书第4章

第4章决策树

4.1 基本流程

#输入：训练集D={${(x_1,y_1),(x_2,y_2),...,(x_m,y_m)}$};

     #属性集A=${{a_1,a_2,...,a_d}}$.

#过程：函数TreeGeneratw(D,A)

1:生成结点node；

2:if D中样本全属于同一类别C then

3:  将node标记为C类叶结点；return

4:end if

5:if A=${\emptyset}$ OR D中样本在A上取值相同 then

6:  将node标记为叶结点，其类别标记为D中样本数最多的类；return

7:end if

8:从A中选择最优划分属性${a_*}$;

9:for ${a_*}$ 的每一个值${a_*^v}$ do

10:  为node生成一个分支；令D_v表示D中在a_*上取值为a_*^v的样本子集；

11:  if D_v 为空 then

12:    将分支结点标记为叶结点，其类别标记为D中样本最多的类；return

13:  else

14:    以TreeGenerate(D_v,A\{A_*})为分支结点

15:  end if

16: end for

输出：以node为根结点的一棵决策树

决策树的本质就是整个分类过程的具体操作过程，如前置条件满足则进行后续判断，否则则或是输出分类结果，或是继续进行其他分类结果的过程判断。

巴特西

Datawhale组队学习_Task03：详读西瓜书+南瓜书第4章

第4章决策树

4.1 基本流程

4.2 划分选择

4.3 剪枝处理

4.4 连续与缺失值

4.5 多变量决策树

最新文章

热门文章

巴特西

Datawhale组队学习_Task03：详读西瓜书+南瓜书第4章

第4章 决策树

4.1 基本流程

4.2 划分选择

4.3 剪枝处理

4.4 连续与缺失值

4.5 多变量决策树

最新文章

热门文章

第4章决策树