决策树

　　决策树学习是机器学习管理学方法中的一种。这种方法将习得的训练集函数表示成树结构，通过它来近似离散值的目标函数。这种树结构是一种有向树，它以训练集的一个属性作节点，这个属性所对应的一个值作边。

　　决策树一般都是自上而下的来生成的。每个决策或事件（即自然状态）都可能引出两个或多个事件，导致不同的结果，把这种决策分支画成图形很像一棵树的枝干，就称为决策树。

　　决策树的优点：
　　1)　可以生成可以理解的规则。
　　2)　计算量相对来说不是很大。
　　3)可以处理连续和种类字段。
　　4)决策树可以清晰的显示哪些字段比较重要。

　　决策树的缺点：
　　1) 对连续性的字段比较难预测。
　　2) 对有时间顺序的数据，需要很多预处理的工作。
　　3) 当类别太多时，错误可能就会增加的比较快。
　　4) 一般的算法分类的时候，只是根据一个字段来分类。

　　选择分割的方法有好几种，但是目的都是一致的：对目标类尝试进行最佳的分割。

　　从根到叶子节点都有一条路径，这条路径就是一条“规则”。

　　决策树可以是二叉的，也可以是多叉的。

　　对每个节点的衡量：
　　1) 通过该节点的记录数
　　2) 如果是叶子节点的话，分类的路径
　　3) 对叶子节点正确分类的比例。