又稱：判定樹

定義：一個流程圖形式的樹結構，其中每個中間結點代表某個屬性或某組屬性上的測試，每個分支則對應了該測試的不同結果，每個葉結點代表某個類別或預測結果。從訓練數(shù)據(jù)中產(chǎn)生決策樹的算法，通常被稱為決策樹學習算法或決策樹算法。

學科：計算機科學技術_人工智能_機器學習

相關名詞：數(shù)據(jù)挖掘 決策樹分析 決策樹系統(tǒng)

圖片來源：視覺中國

【延伸閱讀】

決策樹是利用樹形圖進行決策的預測模型，表現(xiàn)出的是對象屬性與對象值之間的一種映射關系，是歸納學習和數(shù)據(jù)挖掘的重要方法。決策樹分為分類樹和回歸樹兩種：分類樹對離散變量做決策樹，回歸樹對連續(xù)變量做決策樹。

一般情況下，一棵決策樹包含一個根節(jié)點、若干個內部節(jié)點和若干個葉結點。根節(jié)點包含樣本全集，從根節(jié)點到每個葉結點的路徑對應了一個判定測試序列。內部節(jié)點表示一個特征和屬性，每個內部節(jié)點都是一個判斷條件，并且包含數(shù)據(jù)集中，滿足從根節(jié)點到該節(jié)點所有條件的數(shù)據(jù)的集合。根據(jù)內部節(jié)點的屬性測試結果，內部節(jié)點對應的數(shù)據(jù)集合分別歸到兩個或多個子節(jié)點中。葉節(jié)點表示一個類，對應于決策結果。葉節(jié)點為最終的類別，如果該數(shù)據(jù)被包含在該葉節(jié)點，則屬于該類別。

建立決策樹的目標是通過訓練樣本集，建立目標變量關于各輸入變量的分類預測模型，全面實現(xiàn)輸入變量和目標變量不同取值下的數(shù)據(jù)分組，進而用于對新數(shù)據(jù)對象的分類和預測。當利用所建的決策樹對一個新數(shù)據(jù)對象進行分析時，決策樹能夠依據(jù)該數(shù)據(jù)輸入變量的取值，推斷出相應目標變量的分類或取值。決策樹算法主要圍繞兩大核心問題展開：第一，決策樹的生長問題，即利用訓練樣本集，完成決策樹的建立過程。第二，決策樹的剪枝問題，即利用檢驗樣本集，對形成的決策樹進行優(yōu)化處理。

決策樹的算法很多，如ID3、C4.5、CART等。這些算法均采用自頂向下的貪婪算法，每個節(jié)點選擇分類效果最好的屬性將節(jié)點分裂為2個或多個子結點，繼續(xù)這一過程直到這棵樹能準確地分類訓練集，或所有屬性都已被使用過。

決策樹的優(yōu)勢有：結構簡單，便于理解；效率高，較為適合訓練集數(shù)據(jù)量較大的情況；通常不需要接受訓練集數(shù)據(jù)外的知識；具有較高的分類精確度；等等。因此，決策樹算法廣泛應用于各個領域，如文本分類、語音識別、模式識別和專家系統(tǒng)等。

責任編輯：張鵬輝