决策树分类培训讲义(PPT 96页)

决策树
使用决策树进行分类
如何从训练数据中学习决策树?
ID3算法
ID3决策树建立算法
信息熵(Entropy)
数据集的信息熵
例:计算对下列数据集分类所需的信息熵
使用熵衡量数据纯度
信息增益
确定第一次分裂的属性：按年龄划分
确定第一次分裂的属性：按收入划分
确定第一次分裂的属性：按学生划分
确定第一次分裂的属性：按信用划分
确定第一次分裂的属性
确定第二次分裂的属性
决策树的基本原理
C4.5算法对ID3的改进
十大数据挖掘算法
改进1：信息增益的问题
改进1：信息增益率
改进2：连续值属性与分裂点
改进3：缺失值的处理
改进3：C4.5中缺失值的处理-建树过程（学习过程）
改进3：C4.5中缺失值的处理-分类过程
改进4：学习过程中的过度拟合
改进4：欠拟合、合适拟合、过拟合
改进4：过度拟合
改进4：缺乏代表性样本所导致的过度拟合
改进4：决策树剪枝
改进4：预剪枝
改进4：后剪枝
从决策树导出产生式规则
CART算法
回归树（RegressionTree）
Leaves=BooleanRules（布尔规则）
Gini指标
处理离散值属性
回归树的生成
剪枝
最大树
恰当的树
用于回归
高伸缩性决策树算法
决策树应用
对数据的要求
..............................

上一篇：从决策到执行之沙漠掘金(PPT 43页)

下一篇：投资决策原理培训教材(PPT 52页)

决策理论与方法培训课程(PPT 110页)

AHP决策分析方法应用实例教材(PPT 71页)

决策理论教材(PPT 57页)

MTP问题的分析与决策(ppt 81页)

资本结构决策测试及分析(ppt 77页)

决策法(5个ppt)