文献综述
决策树（decision tree）是一类常见的机器学习方法。
决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。
决策树分为分类树和回归树两种, 分类树对离散变量做决策树, 回归树对连续变量做决策树。
一般的数据挖掘工具, 允许选择分裂条件和修剪规则, 以及控制参数(最小节点的大小, 最大树的深度等等来限制决策树。
决策树作为一棵树, 树的根节点是整个数据集合空间, 每个分节点是对一个单一变量的测试, 该测试将数据集合空间分割成两个或更多块。
每个叶节点是属于单一类别的记录。
构造决策树的过程为:首先寻找初始分裂。
整个训练集作为产生决策树的集合, 训练集每个记录必须是已经分好类的。
决定哪个属性域( Field) 作为目前最好的分类指标。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
