决策树

Coddy 机器学习入门课程的第 17 课，共 19 课。

决策树是一种用于分类和回归任务的非线性模型。与其他算法相比，它更贴近人类的决策方式，因此既直观又擅长处理复杂的数据集。从本质上说，决策树会运用一系列简单规则将数据拆分为多个子集，这就像针对数据点的特征提出一系列是非问题。

来源：wikipedia

你可以把决策树想象成树状图，其中：

每个内部节点表示对某个属性进行一次“测试”（例如，抛硬币的结果是正面还是反面），
每条分支表示测试的结果；
每个叶节点表示一个类别标签（计算完所有属性后作出的决策）。

决策树的类型：

分类树：用于预测结果为数据所属类别的情况。
回归树：用于预测结果可以视为实数的情况（例如房价）。

自我测试

这节课包含一个小测验。开始学习即可作答，并记录你的进度。

自我测试

这节课包含一个小测验。开始学习即可作答，并记录你的进度。

自我测试

这节课包含一个小测验。开始学习即可作答，并记录你的进度。

挑战

中等

创建一个名为 decide_outcome 的函数，它接收一个规则列表，格式如下：

rules = {
	rule1: {"type": "bigger", "value": 5},
	rule2: {"type": "smaller", "value": 7},

}

它还会接收一个规则，用于指定满足或不满足条件时要转到哪个规则：

outcome = {
	"rule1": {True: "rule2", False: "rule3"},
	"rule2": {True: "rule3", False: "rule4"},
	"rule3": {True: None, False: None}
	"rule4": {True: None, False: None}

}

data_point = {
	"rule1": 8,
	"rule2": 10,
}

输出应该是 rule4

8 is bigger than 5 (True) → 从 "rule1": {True: "rule2", False: "rule3"}, 转到 rule2
10 is smaller than 7 (False) → 从 "rule2": {True: "rule3", False: "rule4"}, 转到
rule4
没有其他路径可以继续，因此输出是 rule4

始终从 <strong>rule1</strong> 开始

亲手试试

def decide_outcome(rules, outcome, point):
    current_rule = "rule1"
    # 在这里编写你的代码

机器学习入门中的所有课

1ML 之旅的开始

ML 简介提供给模型的数据什么是 ML 模型

4K-Means 算法

K-Means 简介 fit 方法 predict 方法

2机器学习概述

监督学习无监督学习

5朴素贝叶斯

朴素贝叶斯简介 fit 方法 predict 方法

3K-近邻（KNN）

KNN 简介 fit 方法 predict 方法

6其他模型

逻辑回归线性回归决策树支持向量机（SVM）模型测验

自己练习： Python 在线编译器