一：用决策树的方法对案例进行决策。
决策树在文本模式不好画，凑合着看吧！
决策点——新建工厂——@——销路好0.7—— +100-300/10=+70
——销路差0.3—— -20-300/10 =-50
——新建小厂——@——销路好0.7—— +140-140/10=+126
——销路差0.3—— +30-140/10 =+16
新建工厂 期望值=0.7*70-50*0.3=34
新建小厂 期望值=0弗7*126+0.3*16=93
所以应新建小厂。
二：目前比较流行的决策树算法有哪些
ID3算法，最简单的决策树
c4.5 是最经典的决策树算法，选择信息差异率最大的作为分割属性。
CART算法，适合用于回归
三：决策树算法的基本思想
1）树以代表训练样本的单个结点开始。2）如果样本都在同一个类．则该结点成为树叶，并用该类标记。3）否则，算法选择最有分类能力的属性作为决策树的当前结点．4）根据当前决策结点属性取值的不同，将训练样本数据集tlI分为若干子集，每个取值形成一个分枝，有几个取值形成几个分枝。匀针对上一步得到的一个子集，重复进行先前步骤，递4'I形成每个划分样本上的决策树。一旦一个属性出现在一个结点上，就不必在该结点的任何后代考虑它。5）递归划分步骤仅当下列条件之一成立时停止：①给定结点的所有样本属于同一类。②没有剩余属性可以用来进一步划分样本．在这种情况下．使用多数表决，将给定的结点转换成树叶，并以样本中元组个数最多的类别作为类别标记，同时也可以存放该结点样本的类别分布，③如果某一分枝tc，没有满足该分支中已有分类的样本，则以样本的多数类创建一个树叶。
四：如何实现并应用决策树算法
.ID3算法(Iterative Dichotomiser 迭代二分器)，也是本文要实现的算法，
五：决策树法的计算题
1.绘制决策树，见图。
2.计算期望值。
状态点2的期望值：0
状态点3的期望值：(-60000) ×0.02 = -1200(元)
状态点4的期望值：(-60000) ×0.02 + (-10000) ×0.25 = -3700(元)
3.选择损失最小的方案。
min{(0-1800),(-1200-500),(-3700-0)}=-1700(元)
以不搬走施工机械并作好防护措施最为合算。
六：决策树算法的时间复杂度
算法结束时便是 i==N了， 而i的增长通向是 i=2^M =N, M是你循环了多少次，因而 M=LogN. 算法时间复杂度为 O（LogN)
七：决策树算法 CART和C4.5决策树有什么区别？各用于什么领域？
1、C4.5算法是在ID3算法的基础上采用信息增益率的方法选择测试属性。CART算法采用一种二分递归分割的技术，与基于信息熵的算法不同，CART算法对每次样本集的划分计算GINI系数，GINI系数，GINI系数越小则划分越合理。
2、决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
3、决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪技：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集（称为测试数据集）中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。
八：决策树算法和神经网络算法哪个难
不是很清楚题主所说的难具体指什么
如果题主指应用算法解决实际问题的话 决策树要简单一些 有很多封装的很好的decision tree的包，比如CART，C4.5等等 而神经网络(NN)一般有大量参数需要手工设置和调节
如果题主指算法推导的难度的话 两个差不多吧 决策树的分裂方法可能稍微简单一下 NN的话用BP或者SGD的话都需要用chain rule求导
九：如何用决策树算法对数据作分类分析，并解释得到的分类模型
是典型的以逻辑模型的方式输出的分类结果的数据挖掘...,并对决策树并行化进行了认真分析,给出了决策树...邢晓宇.决策树分类算法的并行化研究及
扫一扫手机访问
