在众多分类算法中，决策树应该是最基本的一种算法了，也是相对比较简单的一种算法。
首先，什么叫做决策树？决策树用于解决什么样的问题？
先看一个例子： 现有某银行客户拖欠贷款的历史数据，如表 3-1。现在一个新客户{ no, married, 80K, ? } 前来申请贷款，请你根据银行的历史数据判断这个人会不会拖欠贷款？
当然，客户最终是否会拖欠贷款，我们是无法100%确定的。但我们可以根据银行的历史数据，尽可能准确地做出预判。 依据上表的数据，我们可以构建以下这个树状模型。其中决策节点代表各个属性值（如年收入、是否有房等），叶子节点代表是否会拖欠贷款。
这就是决策树。它符合表3-1 中的的大部分数据，所以它具有一定的准确性。 将新客户的数据 { no, married, 80K, ? } 代入进去，得到结果“no”。所以预判的结果是：此客户不会拖欠贷款，可以通过申请。
既然决策树是一种树形的结构，那么我们就应该可以用建造一般树的方法来构建决策树。一般树的建造方法有两种：一种是用堆栈，另一种是用递归。对于构建决策树，同样两种方法都可以，不过一般选用后者。
另外的，决策节点哪个在先，哪个在后，构造出来的决策树都会不一样。例如把“婚姻状况”放在最上面，把“年收入”和“是否有房”放在下面，构造出来的决策树肯定不一样，所达到的预判能力也会不一样。那么怎样选择决策节点，才能构造出更好的决策树的呢？这就是决策树的属性选择问题了： 属性选择的标准有两个：信息增益和Gini系数。（关于这两个名词，都只是一个指标，我们只需要知道它们“做什么用”和“怎么求”就行了。具体的请参见相应的算法。） 根据不同的属性选择标准，我们把决策树分为 ID3(使用信息增益)、C4.5(使用信息增益率)、CART (使用Gini系数)等算法。
用以上方法构造的决策树是完全生长的，然而这样反倒不好。首先，显得臃肿！其次，决策树是根据一定量的数据实例训练出来的，决策树的层次太深，导致某些叶子节点的实例很少，支持度太低，从而导致整个决策树的预测能力变弱。 所以对构建的树要选择合适的大小，方法也是有两个： 一个是在构建树的时候添加限定条件，如限定最小划分实例数、限定最大树深、划分阈值等。 另一个是在对完全生长的树进行减枝。方法是对决策树进行评估，如果去掉某孩子树后整个决策树表现更好，则把该孩子树减掉。
用不同方法构建的决策树，达到的预测效果也会不同，更多关于ID3、C4.5、CART，可点击进入相关博文。
转载于:https://www.cnblogs.com/Bone-ACE/p/4558875.html
