决策树--CART分类树

9月前作者：bb8886 分类：Toy博客阅读(39) 违法举报

这篇具有很好参考价值的文章主要介绍了决策树--CART分类树。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1、介绍

（1）简介

CART（Classification and Regression Trees）分类树是一种基于决策树的机器学习算法，用于解

决分类问题。它通过构建树状的决策规则来对数据进行分类。

（2）生成过程

① 选择一个特征和相应的切分点，将数据集分为两个子集。

② 对每个子集递归地重复步骤1，直到满足停止条件。

③ 当达到停止条件时，叶节点表示最终的分类结果。

（3）示意图

决策树--CART分类树,机器学习算法详解+实战,决策树,分类,算法

（4）特点：节点不仅包含特征，还要有特征属性。

2、如何构建树？

（1）特征选择方式--基尼系数最小

① 原始定义

② 特殊：二分类问题

决策树--CART分类树,机器学习算法详解+实战,决策树,分类,算法

③ 对给定的样本集合

④ 一般求法

⑤ 例题：根据表1 所给训练数据集，应用CART算法生成决策树。

决策树--CART分类树,机器学习算法详解+实战,决策树,分类,算法

决策树--CART分类树,机器学习算法详解+实战,决策树,分类,算法

（2）树的深度如何决定

①给定深度，达到了预定的树的深度。

② 子集中的样本数量小于某个阈值。

③ 或者子集中的样本属于同一类别。

（3）叶子节点的代表值--表示最终的分类结果

3、分类决策树和CART分类树的区别

（1）分类准则

① CART分类树使用基尼系数（Gini index）或基于基尼系数的指标（如GINI gain）作为划分准

则，以最大化数据集的纯度。

② 分类决策树常使用信息增益（Information Gain）或基于信息增益的指标（如信息增益比）作为

划分准则，以最大化数据集的信息增益。

（2）多叉树 vs. 二叉树

① CART分类树是二叉树，每个非叶节点只有两个分支，分别对应划分特征的两个取值。

② 分类决策树可以是多叉树，每个非叶节点可以有多个分支，对应于划分特征的多个取值。文章来源地址https://www.toymoban.com/news/detail-790660.html

到了这里，关于决策树--CART分类树的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

《机器学习核心技术》分类算法 - 决策树

「作者主页」：士别三日wyx 「作者简介」： CSDN top100、阿里云博客专家、华为云享专家、网络安全领域优质创作者「推荐专栏」：小白零基础《Python入门到精通》决策树是一种「二叉树形式」的预测模型，每个「节点」对应一个「判断条件」，「满足」上一个条件才

2024年02月11日
浏览(54)
机器学习基础之《分类算法（6）—决策树》

一、决策树 1、认识决策树决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-else结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法 2、一个对话的例子想一想这个女生为什么把年龄放在最上面判断！！！如何高效的进行决策？特征的先后顺序

2024年02月09日
浏览(49)
机器学习实战：Python基于DT决策树模型进行分类预测（六）

1.1 决策树的介绍决策树（Decision Tree，DT）是一种类似流程图的树形结构，其中内部节点表示特征或属性，分支表示决策规则，每个叶节点表示结果。在决策树中，最上方的节点称为根节点。它学习基于属性值进行分区。它以递归方式进行分区，称为递归分区。这种类似流程

2023年04月27日
浏览(57)
（统计学习方法|李航）第五章决策树——四五节：决策树的剪枝，CART算法

目录一，决策数的剪枝二，CART算法 1.CART生成（1）回归树的生成（2）分类树的生成 2.CART剪枝（1）剪枝，形成一个子树序列（2）在剪枝得到的子树序列T0,T1-----,Tn中通过交叉验证选取最优子树Ta 好的决策树不高不宽柳建男的”后剪枝“挥手创作如果

2024年02月14日
浏览(44)
决策树--CART分类树

CART（Classification and Regression Trees）分类树是一种基于决策树的机器学习算法，用于解决分类问题。它通过构建树状的决策规则来对数据进行分类。 ① 选择一个特征和相应的切分点，将数据集分为两个子集。 ② 对每个子集递归地重复步骤1，直到满足停止条件。 ③ 当达到停

2024年02月01日
浏览(39)
机器学习中的分类算法详细介绍一（KNN、决策树）

机器学习中的分类算法有：KNN算法、决策树、随机森林、SVM、极限学习机、多层感知机（BP神经网络）、贝叶斯方法。关键知识：数据预处理（数据标准化）、K个邻居（需要由用户指定）、距离计算方式（需要考虑数据的特点）核心思想：物以类聚人以群分，空间相近则类

2024年02月09日
浏览(41)
python机器学习决策树和SVM向量机算法实现红酒分类

经典的红酒分类数据集是指UCI机器学习库中的Wine数据集。该数据集包含178个样本，每个样本有13个特征，可以用于分类任务。具体每个字段的含义如下： alcohol：酒精含量百分比 malic_acid：苹果酸含量（克/升） ash：灰分含量（克/升） alcalinity_of_ash：灰分碱度（以mEq/L为单位）

2024年02月08日
浏览(38)
机器学习实战3-利用决策树算法根据天气数据集做出决策

大家好，我是微学AI，今天给大家介绍一下机器学习实战3-利用决策树算法根据天气数据集做出决策，决策树是一种广泛使用的机器学习算法，用于分类和回归问题。它的基本思想是通过对数据进行分而治之，把复杂的问题转化为简单的决策序列。一、决策树的介绍对于决策

2024年02月08日
浏览(43)
python机器学习——分类模型评估 & 分类算法（k近邻，朴素贝叶斯，决策树，随机森林，逻辑回归，svm）

交叉验证：为了让被评估的模型更加准确可信交叉验证：将拿到的数据，分为训练和验证集。以下图为例：将数据分成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。通常情

2024年02月03日
浏览(65)
【Python机器学习】决策树、逻辑回归、神经网络等模型对电信用户流失分类实战（附源码和数据集）

需要源码和数据集请点赞关注收藏后评论区留言私信~~~ 该实例数据来自kaggle，它的每一条数据为一个用户的信息，共有21个有效字段，其中最后一个字段Churn标志该用户是否流失可用pandas的read_csv()函数来读取数据，用DataFrame的head()、shape、info()、duplicated()、nunique()等来初步

2024年02月03日
浏览(46)