决策树
1.决策树概念
2.熵值
3.决策树构造实例&信息增益
统计原始数据最初的熵值为：0.940
基于四个条件都可以划分
4.信息增益率
决策树算法的版本
ID3：会出现信息增益最大化
ID和最终结果并不存在关系，只是一个符号值，但是会产生信息增益最大化，因此提出了信息增益率
信息增益率：信息增益 / ID自身的熵值
此时，即使信息增益大，但id自身的熵值会更大，比值就会很小。
Gini系数在第二点中有公式
评价函数
H(t)为熵值
Nt为叶子节点里面的样本数目，也就是权重
5.决策树剪枝
预剪枝：手动剪枝。
假设我只要三层，则决策树的后面都不要了
或者限定样本数量，多于样本数量就不继续分裂了。
就是提前结束，防止过拟合
后剪枝：新的评价函数=C(T)是评价函数，|T|是叶子节点个数
当决策树构建好后，对结点进行遍历，比较评价函数的值，大的去掉
比如，某个节点分裂了两个结点，则叶子节点数为3，即评价函数=c1+3a
如果其不分裂，则评价函数=c2+a
比较两个评价函数值的大小，大的去掉，用小的那个
6.随机森林
就像构造出了多棵决策树，共同来做决策
随机的解释：
1.数据选择的随机。不将所有样本都放入去训练，只随机选取其中一部分（假设十个选六个），是为了避免错误数据次次干扰-----数据的选择是可放回的选择。
2.特征的随机选择。特征不放回
7.案例决策树参数
