决策树：修订间差异

来自决策链云智库
无编辑摘要
无编辑摘要
第31行： 第31行：
决策树是一种决策支持层次模型，它使用决策及其可能后果的树状模型，包括偶然事件结果、资源成本和效用。这是显示仅包含条件控制语句的算法的一种方式。
决策树是一种决策支持层次模型，它使用决策及其可能后果的树状模型，包括偶然事件结果、资源成本和效用。这是显示仅包含条件控制语句的算法的一种方式。
决策树通常用于运筹学，特别是决策分析，以帮助确定最有可能达到目标的策略，但也是机器学习中的一种流行工具<ref>{{cite journal |author=De Ville, Barry |title=Decision trees |journal=Wiley Interdisciplinary Reviews: Computational Statistics |volume=5 |number=6 |pages=448--455 |year=2013 |publisher=Wiley Online Library }}</ref>。
决策树通常用于运筹学，特别是决策分析，以帮助确定最有可能达到目标的策略，但也是机器学习中的一种流行工具<ref>{{cite journal |author=De Ville, Barry |title=Decision trees |journal=Wiley Interdisciplinary Reviews: Computational Statistics |volume=5 |number=6 |pages=448--455 |year=2013 |publisher=Wiley Online Library }}</ref>。
== 参考文献 ==
{{reflist}}


{{Navplate AlgorithmNodeList}}
{{Navplate AlgorithmNodeList}}


[[Category:分类训练器]]
[[Category:分类训练器]]

2024年1月17日 (三) 09:55的版本

Decision Tree.png
节点状态
PC可用
在 V1.0部署
决策树Decision Tree.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名决策树
功能主类别机器学习
英文缩写DT_C45
功能亚类别分类训练器
节点类型数据挖掘
开发语言Python
节点简介

决策树算法是一种基于树结构的有监督机器学习算法，用于解决分类和回归问题。它基于一系列的决策规则来学习和预测数据的目标变量。

决策树通过对特征进行逐步分割来构建树结构，每个内部节点表示一个特征，每个叶节点表示一个预测类别或数值。

端口数量与逻辑控制(PC)
Input-入口2个
Output-出口3个
Loop-支持循环否
If/Switch-支持逻辑判断否
输入输出
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点导入测试集
下一节点支持向量机
WikimediaUI-Globe.svg相关网站




算法概念

决策树是一种决策支持层次模型，它使用决策及其可能后果的树状模型，包括偶然事件结果、资源成本和效用。这是显示仅包含条件控制语句的算法的一种方式。 决策树通常用于运筹学，特别是决策分析，以帮助确定最有可能达到目标的策略，但也是机器学习中的一种流行工具[1]。


参考文献

  1. ↑ De Ville, Barry (2013). "Decision trees". Wiley Interdisciplinary Reviews: Computational Statistics. Wiley Online Library. 5 (6): 448--455.

查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=决策树&oldid=4588”
最近修改
此页面最后编辑于2024年1月17日 (星期三) 09:55。
版权
DecisionLinnc Wiki (决策链云智库) © 2024 by Statsape is licensed under Attribution-NonCommercial-ShareAlike 4.0 International. To view a copy of this license, visit [http://creativecommons.org/licenses/by-nc-sa/4.0/| CreativeCommons-Licenses-4.0].