決策樹停止分支方法：

剪枝是決策樹停止分支的方法之一，剪枝有分預(yù)先剪枝和后剪枝兩種。

1）預(yù)先剪枝（Public算法）是在樹的生長(zhǎng)過程中設(shè)定一個(gè)指標(biāo)，當(dāng)達(dá)到該指標(biāo)時(shí)就停止生長(zhǎng)，容易產(chǎn)生“視界局限”，即一旦停止分支，使得節(jié)點(diǎn)N成為葉節(jié)點(diǎn)，就斷絕了其后繼節(jié)點(diǎn)進(jìn)行“好”的分支操作的任何可能性。會(huì)誤導(dǎo)學(xué)習(xí)算法，導(dǎo)致產(chǎn)生的樹不純度降差最大的地方過分靠近根節(jié)點(diǎn)。

2）后剪枝（Sprint算法）中樹首先要充分生長(zhǎng)，直到葉節(jié)點(diǎn)都有最小的不純度值為止，因而可以克服“視界局限”。然后對(duì)所有相鄰的成對(duì)葉節(jié)點(diǎn)考慮是否消去它們，如果消去能引起令人滿意的不純度增長(zhǎng)，那么執(zhí)行消去，并令它們的公共父節(jié)點(diǎn)成為新的葉節(jié)點(diǎn)。這種“合并”葉節(jié)點(diǎn)的做法和節(jié)點(diǎn)分支的過程恰好相反，經(jīng)過剪枝后葉節(jié)點(diǎn)常常會(huì)分布在很寬的層次上，樹也變得非平衡。后剪枝技術(shù)的優(yōu)點(diǎn)是克服了“視界局限”效應(yīng)，且無需保留部分樣本用于交叉驗(yàn)證，所以可以充分利用全部訓(xùn)練集的信息。但后剪枝的計(jì)算量代價(jià)比預(yù)剪枝方法大得多，特別是在大樣本集中，不過對(duì)于小樣本的情況，后剪枝方法還是優(yōu)于預(yù)剪枝方法的。

決策樹與條件概率：

決策樹模型呈樹形結(jié)構(gòu)，在分類問題中，表示基于特征對(duì)實(shí)例進(jìn)行分類的過程。它可以認(rèn)為是if－then規(guī)則的集合，也可以認(rèn)為是定義在特征空間與類空間上的條件概率分布，即決策樹可以依靠計(jì)算條件概率來構(gòu)造。決策樹如果依靠數(shù)學(xué)的計(jì)算方法可以取得更加理想的效果。數(shù)據(jù)庫(kù)已如下所示：

（x， y） ＝ （x1， x2， x3…， xk， y）

相關(guān)的變量 Y 表示嘗試去理解，分類或者更一般化的結(jié)果。其他的變量x1， x2， x3 等則是幫助達(dá)到目的的變量。

決策樹常見算法：

決策樹的常見的算法包括：1）分類及回歸樹（Classification And Regression Tree， CART），2）ID3（IterativeDichotomiser 3），3）C4．5，4）Chi－squared Automatic Interaction Detection（CHAID）， 5）Decision Stump， 6）隨機(jī)森林（Random Forest），7）多元自適應(yīng)回歸樣條（MARS），8）梯度推進(jìn)機(jī)（Gradient Boosting Machine，GBM）等等。

其中，隨機(jī)森林（RandomForest）是作為新興起的、高度靈活的一種決策樹算法。它是用訓(xùn)練數(shù)據(jù)隨機(jī)的計(jì)算出許多決策樹，形成了一個(gè)森林。然后用這個(gè)森林對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)，選取投票最多的分類。此算法的錯(cuò)誤率得到了經(jīng)一步的降低。這種方法背后的原理可以用“三個(gè)臭皮匠定一個(gè)諸葛亮”這句諺語來概括。一顆樹預(yù)測(cè)正確的概率可能不高，但是集體預(yù)測(cè)正確的概率卻很高。

決策樹優(yōu)點(diǎn)：

1）易于理解和實(shí)現(xiàn)：在學(xué)習(xí)過程中不需要使用者了解很多的背景知識(shí)，只要通過解釋后都有能力去理解決策樹所表達(dá)的意義；

2）效率高、效果好：對(duì)于決策樹，數(shù)據(jù)的準(zhǔn)備往往是簡(jiǎn)單或者是不必要的，而且能夠同時(shí)處理數(shù)據(jù)型和常規(guī)型屬性，在相對(duì)短的時(shí)間內(nèi)能夠?qū)Υ笮蛿?shù)據(jù)源做出可行且效果良好的結(jié)果；

3）易于評(píng)測(cè)和生成：易于通過靜態(tài)測(cè)試來對(duì)模型進(jìn)行評(píng)測(cè)，可以測(cè)定模型可信度；如果給定一個(gè)觀察的模型，那么根據(jù)所產(chǎn)生的決策樹很容易推出相應(yīng)的邏輯表達(dá)式。

決策樹缺點(diǎn)：

1）對(duì)連續(xù)性的字段比較難預(yù)測(cè)；

2）對(duì)有時(shí)間順序的數(shù)據(jù)，需要很多預(yù)處理的工作；

3）當(dāng)類別太多時(shí)，錯(cuò)誤可能就會(huì)增加的比較快；

4）一般的算法分類的時(shí)候，只是根據(jù)一個(gè)字段來分類。

決策樹應(yīng)用前景：

決策樹具有條理清晰，程序嚴(yán)謹(jǐn)，定量、定性分析相結(jié)合，方法簡(jiǎn)單，易于掌握，應(yīng)用性強(qiáng)，適用范圍廣等優(yōu)點(diǎn)。人們逐漸認(rèn)識(shí)到，在投資方案比較選擇時(shí)考慮時(shí)間因素，建立時(shí)間可比原則和條件的重要性。當(dāng)今的社會(huì)經(jīng)濟(jì)活動(dòng)中，競(jìng)爭(zhēng)日趨激烈，現(xiàn)代企業(yè)的經(jīng)營(yíng)方向面臨著許多可供選擇的方案，如何用最少的資源，贏得最大的利潤(rùn)以及最大限度地降低企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)，是企業(yè)決策者經(jīng)常面對(duì)的決策問題，決策樹法能簡(jiǎn)單明了地幫助企業(yè)決策層分析企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)和經(jīng)營(yíng)方向。必然地，隨著經(jīng)濟(jì)的不斷發(fā)展，企業(yè)需要做出決策的數(shù)量會(huì)不斷地增加，而決策質(zhì)量的提高取決于決策方法的科學(xué)化。企業(yè)的決策水平提高了，企業(yè)的管理水平就一定會(huì)提高。

結(jié)語：

決策樹采用的是一種簡(jiǎn)單且直觀的“分而治之”（divide－and－conquer）策略。決策樹的核心是通過對(duì)數(shù)據(jù)的學(xué)習(xí)，選定判斷節(jié)點(diǎn)，構(gòu)造一顆合適的決策樹。決策樹是一個(gè)有監(jiān)督的分類模型，其本質(zhì)是選擇一個(gè)能帶來最大信息增益的特征值進(jìn)行樹的分割，直到到達(dá)結(jié)束條件或者葉子結(jié)點(diǎn)純度到達(dá)一定閾值。決策樹是人工智能之機(jī)器學(xué)習(xí)中比較常見的算法，相比樸素貝葉斯分類，決策樹優(yōu)勢(shì)在于構(gòu)造過程不需要任何領(lǐng)域知識(shí)或參數(shù)設(shè)置，因此在實(shí)際應(yīng)用中，對(duì)于探測(cè)式的知識(shí)發(fā)現(xiàn)，決策樹更加適用，其應(yīng)用超級(jí)廣泛。