目录
一、决策树介绍
-
- 一、决策树介绍
- 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）
- 3.6 ROC曲线
- 3.7 AUC指标
- 五、总结——最终五种方法准确率比较
决策树（Decision Tree）是在已知各种情况发生概率的基础上，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，评价项目风险，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, C4.5和C5.
