目录

• • 一、决策树
  • 二、核心代码
  • 三、决策树可视化
  • • 3.1 设置深度为1
  • 四、评价指标
  • • 4.1 混淆矩阵
    • 4.2 预测分数
    • 4.3 召回率
    • 4.4 F分数
    • 4.5 FN（false negative）
    • 五、总结——最终五种方法准确率比较

一、决策树

伪代码实现：

1. 将数据集的最佳属性放在树根上。
2. 将训练集拆分为子集。子集的创建方式应确保每个子集包含具有相同属性值的数据。
3. 对每个子集重复步骤1和步骤2，直到树的所有分支中找到叶节点。

创建决策树时的假设：

• 开始时，整个训练集被视为根。
• 特征值最好是离散的。如果值是连续的，则在构建模型之前对其进行离散化。
• 记录是基于属性值递归分布的。
• 将属性作为树的根或内部节点的顺序是通过使用某种统计方法来完成的。

常用的属性选择方法：

• 信息增益