版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/ZK_J1994/article/details/81292485
-
决策树工作流程（选择最佳属性P；选择P上的最佳划分节点）
-
ID3（分类树；划分节点：信息增益；类别变量）
-
C4.5（分类树；划分节点：信息增益率；类别变量+连续值）
-
CART（分类回归树；划分节点：分类是基尼指数，回归是均方误差；类别变量+连续值）
-
决策树连续值处理（离散化）
-
决策树过拟合（剪枝：预剪枝+后剪枝；max_depth）
-
决策树缺失值（经典决策树；随机森林；xgboost）
-
决策树优缺点（可解释性；对异常值不敏感，鲁棒性；特征选择；并行化；非线性表达能力；伸缩不变性，特征归一化；缺失值；不适用稀疏特征；不具有平滑性，回归只能输出若干个有限的预测值）
-
分类树与回归树的区别（分类树选择最优划分属性：信息增益，信息增益率，基尼指数；回归树选择最优划分属性：方差；分类树划分节点：信息增益，信息增益率，基尼指数；回归树划分节点：均方误差）