标签：
这是我们已经学到的（除Decision Tree外）
下面是一个典型的decision tree算法，有四个地方需要我们选择：
接着介绍了一个CART算法：通过decision stump分成两类，衡量子树的标准是，将数据分成两类后，这两类数据的纯度（purifying）。
下面是不纯度的衡量：
最后是什么时候停下来：
decision tree可能overfitting，需减小Ein和叶子的数目（表示树的复杂度）
如果缺少某一特征的话，可找一替代特征：
将CART和Adaboost进行对比：Adaboost是在整个平面上切割，CART是在已切好的平面继续切割（条件切割）：
这一节课老师讲的比较笼统，详细可参考统计学习方法。
Coursera台大机器学习技法课程笔记09-Decision Tree
标签：
原文地址：http://www.cnblogs.com/573177885qq/p/4693097.html
