温馨提示：由于个人手机设置不同，如果发现不能下载，请复制以下地址【https://www.wenke99.com/d-1065201.html】到电脑端继续下载（重复下载不扣费）。
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。 2: 试题试卷类文档，如果标题没有明确说明有答案则都视为没有答案，请知晓。 3: 文件的所有权益归上传用户所有。 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。 5. 本站仅提供交流平台，并不能对任何下载内容负责。 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
本文（决策树学习.ppt）为本站会员（da****u）主动上传，文客久久仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私，请立即通知文客久久（发送邮件至hr@wenke99.com或直接QQ联系客服），我们立即给予删除！
概要w 简介w 决策树表示法w 决策树学习的适用问题w 基本的决策树学习算法w 决策树学习中的假想空间搜索w 决策树学习的常见问题简介w 决策树方法的起源是概念学习系统 CLS， 然后发展到 ID3方法而为高潮，最后又演化为能处理连续属性的 C4.5。 有名的决策树方法还有 CART和Assistant。w 是应用最广的归纳推理算法之一w 一种逼近离散值目标函数的方法w 对噪声数据有很好的健壮性且能学习析取表达式决策树的表示法w 决策树通过把实例从根节点排列到某个叶子节点来分类实例，叶子节点即为实例所属的分类。树上的每一个节点说明了对实例的某个属性的测试，并且该节点的每一个后继分支对应于该属性的一个可能值图表达式决策树学习的适用问题w 实例是由属性 -值对表示的w 目标函数具有离散的输出值w 可能需要析取的描述w 训练数据可以包含错误w 训练数据可以包含缺少属性值的实例属性选择w 构造好的决策树的关键在于如何选择好的逻辑判断或属性。对于同样一组例子，可以有很多决策树能符合这组例子。人们研究出，一般情况下或具有较大概率地说，树越小则树的预测能力越强。要构造尽可能小的决策树，关键在于选择恰当的逻辑判断或属性。由于构造最小的树是 NP-难问题，因此只能采取用启发式策略选择好的逻辑判断或属性 。 用熵度量样例的均一性（纯度）w 熵的定义w 举例用信息增益度量期望熵最低
Copyright © 2018-2021 Wenke99.com All rights reserved
工信部备案号：浙ICP备20026746号-2
公安局备案号：浙公网安备33038302330469号
本站为C2C交文档易平台，即用户上传的文档直接卖给下载用户，本站只是网络服务中间平台，所有原创文档下载所得归上传人所有，若您发现上传作品侵犯了您的权利，请立刻联系网站客服并提供证据，平台将在3个工作日内予以改正。
