1、scikit-learn中的决策树决策树是一个非参数的监督式学习方法，主要用于分类和回归。决策树算法的目标是通过推断数据特征，学习决策规则从而创建一个预测目标变量的模型。scikit-learn中决策树的类都在sklearn.tree这个模块之下，这个模块总共包含五个类：2、scikit-learn的安装scikit-learn是一个用于机器学[...]

决策树学习采用的是自顶向下的递归方法，其基本思想是以信息熵为度量构造一颗熵值下降最快的树，到叶子节点处，熵值为0。其具有可读性、分类速度快的优点，是一种有监督学习。最早提及决策树思想的是Quinlan在1986年提出的ID3算法和1993年提出的C4.5算法，以及Breiman等人在1984年提出的CART算法。决策树的构造过程一般分为3个部分，分[...]

决策树的优点是简单，逻辑清晰，具备可解释性，但是也有一个很大的缺点：非常容易过拟合，解决过拟合的方法主要是有剪枝、随机森林等。从随机森林的名字上就能猜出，这种方法无非是信奉”人多力量大“这句话，把诸多决策树集成在一起，进而形成一个更强大的树树树模型。随机森林是一个Bagging方法，Bagging是一种有放回抽样方法：取出一个样本加入训练集，然后再[...]

Boosting 是一类算法的总称，这类算法的特点是通过训练若干弱分类器，然后将弱分类器组合成强分类器进行分类。为什么要这样做呢？因为弱分类器训练起来很容易，将弱分类器集成起来，往往可以得到很好的效果。俗话说，"三个臭皮匠，顶个诸葛亮"，就是这个道理。这类 Boosting 算法的特点是各个弱分类器之间是串行训练的，当前弱分类器的训练依赖于上一轮弱[...]

提升树模型采用加法模型（基函数的线性组合）与前向分步算法，同时基函数采用决策树算法（对待分类问题采用二叉分类树，对于回归问题采用二叉回归树）。提升树模型可以看作是决策树的加法模型： 其中T()表示决策树，M为树的个数， Θ表示决策树的参数。提升树算法采用前向分部算法，首先确定f0(x) = 0，第m步的模型是：对决策树的参数Θ的确定采用经验风险最小[...]