「已注销」 于 2020-11-24 18:56:09 发布全文共2874字，预计学习时长8分钟
图源：unsplash
就像树木是人类生活的重要组成部分一样，基于树的算法也是机器学习的重要组成部分。树的结构给了我们开发算法的灵感，并再将其反馈到机器，让它们学习我们希望它们学习的东西，以解决现实生活中的问题。
这些基于树的学习算法被认为是最好和最常用的监督学习方法之一：决策树、随机森林、梯度提升等方法在各种数据科学问题中得到了广泛应用。对于每一个机器学习的初学者来说，学习这些算法并将其用于建模非常重要。
决策树是什么?
决策树是一种带有节点的树状图，节点表示我们选取一个属性并提出问题，边表示问题的答案，叶表示实际输出或类标签。它们被用于具有简单线性决策面的非线性决策。
决策树对例子进行分类，方法是将它们从树的根排序到某个叶节点，叶节点为例子进行分类。树中的每个节点作为某个属性的测试用例，从该节点下行的每条边都对应于测试用例的可能答案之一。这个过程本质上属于递归性质，并且对于每一个扎根于新节点的子树都要重复进行。
现实生活中的决策树
你肯定在生活中使用过决策树来做决定。举个例子，决定是否要在某天和孩子一起打网球。
这取决于各种各样的因素，比如你是否能按时下班，是否能提前下
