分类 之_决策树

标签：

思路梳理：

　　决策树

　　　　　　　　|————Bagging[bootstrap抽样、投票分类]

　　　　　　　　|————Boosting[bootstrap抽样、分错元组权重上升、分类器上也加权重进而判断]

　　　　　　　　|————RandomForest[bootstrap抽样、n个特征找少量的建树分类、Cart算法（基尼系数、不剪枝），有利于并行化]

　　　　　　　　　　　　 #个人觉得RF胡来，就是x预测x，结果还是x

　　　　　　　　　　　　 #建树方面：ID3(信息增益)  C4.5(信息增益率)   CART(基尼系数，后剪枝)   P221_韩家炜

　　　　　　　　　　　　 　　　　　　|———以上，无非基于信息论折腾简单的数学公式，剪不剪枝or先剪后剪，

　　　　　　　　　　　　　　　　　　 |———没必要依据死理，具体问题具体分析 [ps: 之所以RF效果好，是基于信息熵建树有问题，这也未可知啊...]

　　　　　　　　　　　　　　　　　　 |———（但软件中封装好了，用的时候还是了解下，较好 ；不行自己改）

　　回归树

　　　　　　　　|————决策变量输出为连续变量

　　　　　　　　　　　　 [其不需要经典回归中的独立性、正态性、线性、光滑性；但保证准确需要大量的数据]

　　#待研究  GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)

分类 之_决策树

标签：

原文地址：http://www.cnblogs.com/JoyHan/p/5618682.html