文档介绍：. .
- 优选
第三章决策树
决策树(Decision Tree〕是在各种情况发生概率的根底上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价工程风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, 。这一度量是基于信息学理论中熵的概念。
决策树模型与学习
〔决策树〕分类决策树模型是一种描述对实例进展分类的树形构造。决策树由结点〔node〕和有向边〔directed edge〕组成。
□——决策点，是对几种可能方案的选择，即最后选择的最正确方案。如果断策属于多级决策，那么决策树的中间可以有多个决策点，以决策树根部的决策点为最终决策方案为最终决策方案。
○——状态节点，代表备选方案的经济效果〔期望值〕，通过各状态节点的经济效果的比照，按照一定的决策标准就可以选出最正确方案。由状态节点引出的分支称为概率枝，概率枝的数目表示可能出现的自然状态数目每个分枝上要注明该状态出现的概率。
. .
- 优选
△——结果节点，将每个方案在各种自然状态下取得的损益值标注于结果节点的右端。
决策树学习
决策树是以实例为根底的归纳学习算法。
它从一组无次序、无规那么的元组中推理出决策树表示形式的分类规那么。它采用自顶向下的递归方式，在决策树的部结点进展属性值的比拟，并根据不同的属性值从该结点向下分支，叶结点是要学习划分的类。从根到叶结点的一条路径就对应着一条合取规那么，整个决策树就对应着一组析取表达式规那么。1986年Quinlan提出了著名的ID3算法。在ID3算法的根底上，。为了适应处理大规模数据集的需要，后来又提出了假设干改良的算法，其中SLIQ(super-vised learning in quest)和SPRINT (scalable parallelizableinduction of decision trees)是比拟有代表性的两个算法。
. .
- 优选
决策树分析法
决策树分析法是常用的风险分析决策方法。该方法是一种用树形图来描述各方案在未来收益的计算。比拟以及选择的方法，其决策是以期望值为标准的。它利用了概率论的原理，并且利用一种树形图作为分析工具。
它利用了概率论的原理，并且利用一种树形图作为分析工具。其根本原理是用决策点代表决策问题，用方案分枝代表可供选择的方案，用概率分枝代表方案可能出现的各种结果，经过对各种方案在各种结果条件下损益值的计算比拟，为决策者提供决策依据。
决策树分析法是常用的风险分析决策方法。该方法是一种用树形图来描述各方案在未来收益的计算。比拟以及选择的方法，其决策是以期望值为标准的。人们对未来可能会遇到好几种不同的情况。每种情况均有出