Suanfa jianjie
机器学习中，
决策树是一个预测模型；
它代表的是对象属性
值与对象值之间的一种映射关系。树中每个节点表示某个对象，每个分叉路径
那么代表的某个可能的属性值，而每个叶结点
那么对应具有上述属性值的子对象
。决策树仅有单一输出
；假设需要多个
输出，可以建立独立的决策树以处理不同输出。
从数据产生决策树的机器学习技术叫做
决策树学习
, 通俗说就是
决策树。决策树学习也是数据挖掘中一个普通的方法。在这里，每个决策树都表述了一种树型结构，
它由它的分支来对该类型的对象依靠属性进行分类。每个决策树可以依靠对源数据库的分割进行数据测试。这个过程可以递归式的对树进行修剪。当不能再进行分割或一个单独的类可以被应用于某一分支时，递归过程就完成了。另外，随机森林分类器将许多决策树结合起来以提升分类的正确率。
决策树同时也可以依靠计算条件概率来构造。决策树如果依靠数学的计算方法可以取得更加理想的效果。
决策树一般都是自上而下的来生成的。
选择分割的方法有
多种，但是目的都是一致的
，即对目标类尝试进行
最正确的分割。从根节点到叶子节点都有一条路径，这条路径就是一条
“规那么〞 ...