决策树模型

目录

人工智能第五次实验报告

决策树模型

一 、问题背景

1.1 监督学习简介

1.2 决策树简介

二 、程序说明

2.1 数据载入

2.2 功能函数

2.3 决策树模型

三 、程序测试

3.1 数据集说明

3.2 决策树生成和测试

3.3 学习曲线评估算法精度

四 、实验总结

附 录 - 程序代码

一 、问题背景

1.1 监督学习简介

机器学习的形式包括无监督学习，强化学习，监督学习和半监督学习；学习任务有分类、聚类和回 归等。

监督学习通过观察“输入—输出”对，学习从输入到输出的映射函数。分类监督学习的训练集为标记 数据，每一条数据有对应的”标签“，根据标签可以将数据集分为若干个类别。分类监督学习经训练集生  成一个学习模型，可以用来预测一条新数据的标签。

常见的监督学习模型有决策树、KNN算法、朴素贝叶斯和随机森林等。

1.2 决策树简介

决策树归纳是一类简单的机器学习形式，它表示为一个函数，以属性值向量作为输入，返回一个决策。

决策树的组成

决策树由内节点上的属性值测试、分支上的属性值和叶子节点上的输出值组成。