2025年04月08日
决策树是一种常见的机器学习方法，非常有名。决策树可用于分类与回归任务，在很多领域得到普遍应用。以分类任务为例，其目的是根据样例的属性预测其类别。决策树分类器与人们日常决策时采用的逻辑非常相似。
以是否进行高尔夫运动为例，人们会根据天气、温度、湿度、风况等决定是否去打球。例如某人的决策逻辑为：如果天气为阴天，则打球；如果天气为晴天，还要看湿度情况，如果湿度较低则打球；如果天气为雨天，… 。这一决策过程可以用树状结构表示：
2025年04月08日
数据分析方法论重点包括两块，一块是统计分析方法论：描述统计、假设检验、相关分析、方差分析、回归分析、聚类分析、判别分析、主成分与因子分析、时间序列分析、决策树等；
一块是营销管理常用分析方法论：SWOT、4P、PEST、SMART、5W2H、User behavior等。
一、统计分析方法论：
1.描述统计（Descriptive statistics）：描述统计是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。目的是描述数据特征，找出数据的基本规律。描述统计分为集中趋势分析和离中趋势分析和相关分析三大部分。
2025年04月08日
随机森林"（Random Forest）是由Leo Breiman和Adele Cutler创建的常用机器学习算法，它将多个决策树的输出结合起来以得出单一的结果。其易用性和灵活性推动了它的广泛应用，可以处理分类和回归问题。
2025年04月08日
C4.5算法是ID3算法的改进版，它在特征选择上采用了信息增益比来解决ID3算法对取值较多的特征有偏好的问题。C4.5算法也是一种用于决策树构建的算法，它同样基于信息熵的概念。
2025年04月08日
决策树是一类极为常用的机器学习方法，尤其是在分类场景。决策树通过树形结构来递归地将样本分割到不同的叶子结点中去，并根据每个叶子结点中的样本构成对该结点中的样本进行分类。
2025年04月08日
通俗来说，机器学习模型就是一种数学函数，它能够将输入数据映射到预测输出。更具体地说，机器学习模型就是一种通过学习训练数据，来调整模型参数，以最小化预测输出与真实标签之间的误差的数学函数。
2025年04月08日
决策树是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归的问题。决策树算法容易理解，适用于各种数据集，在解决各种问题时都有良好的表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。
2025年04月08日
一：模型介绍
1.线性回归的薄弱之处：
1.1. 需要拟合所有的样本点（局部加权线性回归除外）但是当数据拥有众多特征并且特征之间关系十分复杂时，构建全局模型的想法就显得太难了，也略显笨拙。
2025年04月08日
决策树（decision tree）算法是机器学习中的一个重要算法，因为它是很多其他智能算法的基础。决策树是一个类似于流程图的结构，因像一棵树而得名。决策树包含：
1.根结点，最顶层的那个结点；
2.叶子结点，每条路径最末尾的结点，也就是最外层的结点，代表类或类分布；
3.内部结点，一些条件的结点，下面会有更多分支，也叫做分支结点，表示对一个属性的测试，每个分支代表一个属性输出。