决策树（decision tree）算法基于特征属性进行分类，其主要的优点：模型具有可读性，计算量小，分类速度快。决策树算法包括了由Quinlan提出的ID3与
2018-07-21 10:13
C4.5算法：基于ID3算法的改进，主要包括：使用信息增益率替换了信息增益下降度作为属性选择的标准；在决策树构造的同时进行剪枝操作；避免了树的过度拟合情况；可以对不完整属性和连续型数据进行处理，提升了算法的普适性。
2019-02-04 09:45
C4．5算法是由Quinlan提出并开发的用于产生决策树［参见人工智能（23）］的算法。该算法是对Quinlan之前开发的ID3算法的一个扩展。C4．5算法产生的决策树
2018-09-05 10:33
希望通过所给的训练数据学习一个贷款申请的决策树，用于对未来的贷款申请进行分类，即当新的客户提出贷款申请时，根据申请人的特征利用决策树决定是否批准贷款申请。
2018-10-08 14:26
C4．5算法与ID3算法一样使用了信息熵的概念，并和ID3一样通过学习数据来建立决策树。ID3算法使用的是信息熵的变化值，而C4．5算法使用的是信息增益率。在决策树构造
2018-06-28 07:32
今天，我们介绍机器学习里比较常用的一种分类算法，决策树。决策树是对人类认知识别的一种模拟，给你一堆看似杂乱无章的数据，如何用尽可能少的特征，对这些数据进行有效的分类。
2017-11-16 01:50
决策树算法是机器学习领域的基石之一，其强大的数据分割能力让它在各种预测和分类问题中扮演着重要的角色。
2023-12-13 09:49
我们知道决策树容易过拟合。换句话说，单个决策树可以很好地找到特定问题的解决方案，但如果应用于以前从未见过的问题则非常糟糕。俗话说三个臭皮匠赛过诸葛亮，随机森林就利用了多个决策树，来应对多种不同场景。
2019-04-19 14:38
根据给定的数据集创建一个决策树就是机器学习的课程，创建一个决策树可能会花费较多的时间，但是使用一个决策树却非常快。创建决策树时最关键的问题就是选取哪一个特征作为
2021-08-27 14:38
决策树是最重要的机器学习算法之一，其可被用于分类和回归问题。本文中，我们将介绍分类部分。
2020-10-12 16:39
