決策樹(decisiontree)是一個(gè)樹結(jié)構(gòu)(可以是二叉樹或者非二叉樹)。決策樹分為分類樹和回歸樹兩種，分類樹對(duì)離散變量做決策樹，回歸樹對(duì)連續(xù)變量做決策樹。

其中每個(gè)非葉節(jié)點(diǎn)表示一個(gè)特征屬性上的測試，每個(gè)分支代表這個(gè)特征屬性在某個(gè)值域上的輸出，而每個(gè)葉節(jié)點(diǎn)存放在一個(gè)類別。

使用決策樹進(jìn)行決策的過程就是從根節(jié)點(diǎn)開始，測試待分類項(xiàng)中相應(yīng)的特征屬性，并按照其值選擇輸出分支，直到到達(dá)葉子節(jié)點(diǎn)，將葉子節(jié)點(diǎn)存放的類別作為決策結(jié)果。

決策樹的組成，分為三個(gè)：根節(jié)點(diǎn);非葉子節(jié)點(diǎn)與分支;葉子節(jié)點(diǎn)。具體意思如下：

根節(jié)點(diǎn)：第一個(gè)選擇點(diǎn)

非葉子節(jié)點(diǎn)與分支：中間過程

葉子節(jié)點(diǎn)：最終的決策結(jié)果

當(dāng)然我們也發(fā)現(xiàn)：一旦構(gòu)造好了決策樹，那么分類或預(yù)測任務(wù)就很簡單了，只需要走一遍即可，但是難點(diǎn)就在于如何構(gòu)造出來一棵樹。構(gòu)造樹需要考慮的問題有很多。

1.決策樹學(xué)習(xí)算法主要由三部分構(gòu)成

2.特征選擇

特征選擇是指從訓(xùn)練數(shù)據(jù)中眾多的特征中選擇一個(gè)特征作為當(dāng)前節(jié)點(diǎn)的分裂標(biāo)準(zhǔn)，如何選擇特征有著很多不同量化評(píng)估標(biāo)準(zhǔn)，從而衍生出不同的決策樹算法。

3.決策樹生成

根據(jù)選擇的特征評(píng)估標(biāo)準(zhǔn)，從上至下遞歸地生成子節(jié)點(diǎn)，直到數(shù)據(jù)集不可分則停止決策樹停止生長。樹結(jié)構(gòu)來說，遞歸結(jié)構(gòu)是最容易理解的方式。

4.決策樹的剪枝

決策樹容易過擬合，一般來需要剪枝，縮小樹結(jié)構(gòu)規(guī)則，緩解過擬合，剪枝技術(shù)有預(yù)剪枝和后剪枝兩種。

預(yù)剪枝：邊建立決策樹邊進(jìn)行剪枝的操作(更實(shí)用)，預(yù)剪枝需要限制深度，葉子節(jié)點(diǎn)個(gè)數(shù)，葉子節(jié)點(diǎn)樣本數(shù)，信息增益量等。

后剪枝：當(dāng)建立完決策樹后來進(jìn)行剪枝操作，通過一定的衡量標(biāo)準(zhǔn)(葉子節(jié)點(diǎn)越多，損失越大)

以上內(nèi)容為大家介紹了Python決策樹算法思想，希望對(duì)大家有所幫助，如果想要了解更多Python相關(guān)知識(shí)，請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。