決策樹分類的主要步驟？（1）繪制決策樹。從左到右繪制決策樹的過程就是決策問題的再分析過程。（2） 從右到左計算每個方案的期望值，并將結(jié)果寫在對應(yīng)方案節(jié)點的頂部。（3） 通過比較各方案的期望值，進(jìn)行剪枝

決策樹分類的主要步驟？

（1）繪制決策樹。從左到右繪制決策樹的過程就是決策問題的再分析過程。（2） 從右到左計算每個方案的期望值，并將結(jié)果寫在對應(yīng)方案節(jié)點的頂部。（3） 通過比較各方案的期望值，進(jìn)行剪枝優(yōu)化。要使用“=”分區(qū)

就要放棄支路上的備選方案，這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本和特征數(shù)據(jù)適用于不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機(jī)器學(xué)習(xí)算法。如果你有一個大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對你有幫助，你可以多表揚，也可以關(guān)注它。謝謝您

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

數(shù)據(jù)挖掘，也稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)，是一個能夠智能地、自動地從海量數(shù)據(jù)中提取一些有用的、可信的、有效的、可理解的模式的過程。分類是數(shù)據(jù)挖掘的重要內(nèi)容之一。目前，分類已廣泛應(yīng)用于醫(yī)療診斷、天氣預(yù)報、信用確認(rèn)、客戶識別、欺詐篩選等領(lǐng)域，分類方法多種多樣，其中決策樹分類是海量數(shù)據(jù)環(huán)境中應(yīng)用最為廣泛的分類方法。原因如下：

1。決策樹分類的直觀表示方法更容易轉(zhuǎn)化為標(biāo)準(zhǔn)的數(shù)據(jù)庫查詢

2。決策樹分類和歸納的方法是有效的，特別適用于大數(shù)據(jù)集。在決策樹分類的過程中，除了根據(jù)集合中包含的信息數(shù)進(jìn)行分類外，不需要額外的信息。決策樹分類模型精度高。本文首先研究了分類模型的評價方法。在此基礎(chǔ)上，重點研究了決策樹分類方法，并分析了決策樹算法的可擴(kuò)展性。最后給出了一種基于oledb的DM開發(fā)決策樹分類預(yù)測方法