決策樹(decisiontree)是一個樹結構(可以是二叉樹或者非二叉樹)。決策樹分為分類樹和回歸樹兩種，分類樹對離散變量做決策樹，回歸樹對連續(xù)變量做決策樹。

其中每個非葉節(jié)點表示一個特征屬性上的測試，每個分支代表這個特征屬性在某個值域上的輸出，而每個葉節(jié)點存放在一個類別。

使用決策樹進行決策的過程就是從根節(jié)點開始，測試待分類項中相應的特征屬性，并按照其值選擇輸出分支，直到到達葉子節(jié)點，將葉子節(jié)點存放的類別作為決策結果。

決策樹的組成，分為三個：根節(jié)點;非葉子節(jié)點與分支;葉子節(jié)點。具體意思如下：

根節(jié)點：第一個選擇點

非葉子節(jié)點與分支：中間過程

葉子節(jié)點：最終的決策結果

當然我們也發(fā)現(xiàn)：一旦構造好了決策樹，那么分類或預測任務就很簡單了，只需要走一遍即可，但是難點就在于如何構造出來一棵樹。構造樹需要考慮的問題有很多。

1.決策樹學習算法主要由三部分構成

2.特征選擇

特征選擇是指從訓練數據中眾多的特征中選擇一個特征作為當前節(jié)點的分裂標準，如何選擇特征有著很多不同量化評估標準，從而衍生出不同的決策樹算法。

3.決策樹生成

根據選擇的特征評估標準，從上至下遞歸地生成子節(jié)點，直到數據集不可分則停止決策樹停止生長。樹結構來說，遞歸結構是最容易理解的方式。

4.決策樹的剪枝

決策樹容易過擬合，一般來需要剪枝，縮小樹結構規(guī)則，緩解過擬合，剪枝技術有預剪枝和后剪枝兩種。

預剪枝：邊建立決策樹邊進行剪枝的操作(更實用)，預剪枝需要限制深度，葉子節(jié)點個數，葉子節(jié)點樣本數，信息增益量等。

后剪枝：當建立完決策樹后來進行剪枝操作，通過一定的衡量標準(葉子節(jié)點越多，損失越大)

以上內容為大家介紹了Python決策樹算法思想，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。