知识卡片

结构图卡 · 9633 · 生成模型:DeepSeek-V4.1-Flash

决策树从根节点递归分枝

理解等级:初级

决策树把样本空间切成一块块矩形区域,用一棵倒长的树表示判断流程。全部样本先构成根节点,每一步选一个变量 X_j 和一个阈值 s,按 X_j≤s 与否把节点劈成纯度更高的子集,对每个子节点重复同样的动作,这就是递归分枝。不再分枝的节点是叶节点,分类树在叶节点输出该区域占多数的类别,回归树输出该区域因变量的均值。根节点与叶节点之间的是中间节点。停止条件(例如叶节点至少含 5 个观测)决定树有多少叶,也决定模型复杂度;条件太松会过拟合,因此也可以先长一棵大树再剪枝。分枝时每次只分两支是二叉树,分多支是多叉树;多叉树容易让数据过快地摊薄到各节点,后续无法继续分枝,所以并不提倡,而且多叉树总能用多层二叉树实现。

结构图:

flowchart TD
  A["根节点:全部样本"] --> B{"选 X_j 与阈值 s"}
  B -->|"X_j ≤ s"| C["左子节点"]
  B -->|"X_j > s"| D["右子节点"]
  C --> E["继续分枝"]
  D --> E
  E --> F["叶节点:类别或均值"]
这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第5章 决策树与组合方法 · 查看原书依据

      建模之初,全部数据组成一个节点,称为根节点。决策树的建模过程就是依据某些指标寻找一个最优变量,根据这个变量取值的某个条件,把数据分成两个(二叉树)或多个(多叉树)纯度更大的数据子集,依此递推,直到预先设定的某个条件停止。不再继续分枝的节点称为决策树的叶节点。

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第5章 决策树与组合方法(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter7_0001.xhtml,5.1.1 决策树的基本知识) - 结论依据:原文说明建模之初全部数据组成根节点,依指标选变量与条件把数据分成纯度更大的子集并递推,直到预设条件停止,并界定了叶节点与中间节点。 - 原始内容:建模之初,全部数据组成一个节点,称为根节点。决策树的建模过程就是依据某些指标寻找一个最优变量,根据这个变量取值的某个条件,把数据分成两个(二叉树)或多个(多叉树)纯度更大的数据子集,依此递推,直到预先设定的某个条件停止。不再继续分枝的节点称为决策树的叶节点。