决策树分析法（决策树分析法是）

什么是决策树分析法?

决策树法(decision tree—based method） 决策树(decision tree)一般都是自上而下的来生成的.每个 决策 或事件（ 即自然状态）都可能引出两个或多个事件,导致不同的结果, 把这种决策分支画成图形很像一棵树的枝干,故称决策树.

决策树法分为那几个步骤

1、特征选择

特征选择决定了使用哪些特征来做判断。在训练数据集中，每个样本的属性可能有很多个，不同属性的作用有大有小。因而特征选择的作用就是筛选出跟分类结果相关性较高的特征，也就是分类能力较强的特征。在特征选择中通常使用的准则是：信息增益。

2、决策树生成

选择好特征后，就从根节点触发，对节点计算所有特征的信息增益，选择信息增益最大的特征作为节点特征，根据该特征的不同取值建立子节点；对每个子节点使用相同的方式生成新的子节点，直到信息增益很小或者没有特征可以选择为止。

3、决策树剪枝

剪枝的主要目的是对抗「过拟合」，通过主动去掉部分分支来降低过拟合的风险。

【简介】

决策树是一种解决分类问题的算法，决策树算法采用树形结构，使用层层推理来实现最终的分类。

什么是决策树分析？其计算公式是如何表示的

决策树分析法是一种运用概率与图论中的树对决策中的不同方案进行比较，从而获得最优方案的风险型决策方法。图论中的树是连通且无回路的有向图，入度为0的点称为树根，出度为0的点称为树叶，树叶以外的点称为内点。决策树由树根（决策节点）、其他内点（方案节点、状态节点）、树叶（终点）、树枝（方案枝、概率枝）、概率值、损益值组成。

决策树分析方法的基本步骤

决策树分析方法的基本步骤

1.绘制决策树图。从左到右的顺序画决策树，此过程本身就是对决策问题的再分析过程。

2.按从右到左的顺序计算各方案的期望值，并将结果写在相应方案节点上方。期望值的计算是从右到左沿着决策树的反方向进行计算的。

3.对比各方案的期望值的大小，将期望值小的方案(即劣等方案)剪掉，所剩的最后方案为最佳方案。

决策树(简称DT)利用概率论的原理，并且利用一种树形图作为分析工具。其基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较，为决策者提供决策依据。

优点：

1)　可以生成可以理解的规则；

2)　计算量相对来说不是很大；

3) 可以处理连续和种类字段；

4) 决策树可以清晰的显示哪些字段比较重要。

缺点：

1) 对连续性的字段比较难预测；

2) 对有时间顺序的数据，需要很多预处理的工作；

3) 当类别太多时，错误可能就会增加的比较快；

4) 一般的算法分类的时候，只是根据一个字段来分类。

决策树分析法有什么优点？

1、决策树分析法能显抄示出决策过程，具体形象袭，便于发现问题。

1、决策树分析法能把风险决策的各个环节联系成一个统一的整百体，有利于决策过程中的思考度，易于比较各种方知案的优劣。

3、决策树分析法既可以进行定性分析，也可以进行定量道计算。

上述文章就是科灵网介绍的决策树分析法和决策树分析法是的详细回答，希望能够帮助到大家；如果你还想了解更多财经资讯知识，记得收藏关注我们。

标签： 决策树分析法