决策树（分类）定义：分类决策树模型是一种描述对实例进行分类得树形结构，决策树由节点（node)和有向边（directed edge)组成，节点有两种类型：内部节点（internal node)和叶结点（leaf node)，内部结构表示一个特征或属性，叶结点表示一个类； 信息熵：单位比特，计算公式如信息增益：决策树得划分依据之一，特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差，即公式为 常见决策树使用得算法：ID3：信息增益；C4.5：信息增益比；CART：回归树是平方误差最小，分类树采用得是基尼系数； sklearn决策树API：sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)，其中，criterion:默认是’gini’系数，也可以选择信息增益的熵’entropy’，max_depth:树的深度大小，random_state:随机数种子；decision_path:返回决策树的路径 决策树的结构、本地保存：sklearn.tree.export_graphviz() 该函数能够导出DOT格式 tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’] 工具：graphviz,ubuntu:sudo apt-get install graphviz,Mac:brew install graphviz,运行命令dot -Tpng tree.dot -o tree.png 优缺点：优点：简单的理解和解释，树木可视化，需要很少的数据准备；缺点：对于较复杂的树容易过拟合；决策树不稳定，数据的小变化可能会导致完全不同的树被生成； 改进方法：减枝cart算法，随机森林
随机森林：在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。 算法流程：根据如下规则而建造每棵树：用N来表示训练用例（样本）的个数，M表示特征数目；输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M；从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差； 随机性解释：样本随机：如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的；有放回：如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。 sklearn 随机森林API :sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None),n_estimators：integer，optional（default = 10） 森林里的树木数量;criteria：string，可选（default =“gini”）分割特征的测量方法;max_depth：integer或None，可选（默认=无）树的最大深度;bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样 随机森林优缺点：优点：在当前所有算法中，具有极好的准确率；能够有效地运行在大数据集上；能够处理具有高维特征的输入样本，而且不需要降维；能够评估各个特征在分类问题上的重要性；对于缺省值问题也能够获得很好得结果；缺点：当随机森林中决策树个数很多时，训练时需要的空间和时间会比较大；在噪音比较大的样本集熵，RF模型容易陷入过拟合；
