建立模型之决策树讲义(PPT 46页)

分类预测的概念
什么是决策树
决策树的核心问题
决策树的生长，模型建立
决策树的修剪
C5.0算法及其应用实例
信息熵和信息增益
修剪算法
4.  建立模型之决策树
4.1  分类预测概念
聚类、分类和模式识别
从二分类问题开始
在“虚度的日子”的判别中最关键的是哪一个因素？
基于树型结构的排序算法
2.  什么是决策树
2.1  决策树学习 和分类预测
决策树生成算法——有指导学习
决策树分类算法——基于逻辑
3.  决策树的核心问题
3.1  决策树表示法
决策树例图的逻辑表达式
3.2  决策树学习的适用问题
3.2  决策树方法的适用问题
4.  C5.0算法
4.1  ID3算法
4.1.1  最佳分类属性
4.1.1  最佳分类属性（2）
PlayTennis的14个训练样例
当前样例集合中的最佳分类属性
然后呢？
根节点的左右孩子顺序
用于学习布尔函数的ID3算法概要
ID3算法举例
Entropy and Information Gain
决策树学习中的假设空间搜索
决策树学习的深入话题
4.2  C4.5的修剪算法
4.2.1    避免过度拟合数据
Overfitting
避免过度拟合必须控制树尺寸
避免过度拟合数据（2）
避免过度拟合数据（3）
避免过度拟合数据（4）
避免过度拟合数据（5）
4.2.1  C5.0决策树的误差估计
4.2.2  C5.0决策树的修剪标准
修剪节点、降低错误率
（C4.5）规则后修剪
(C4.5)规则后修剪
规则后修剪
..............................