决策树模型
目录
人工智能第五次实验报告	
决策树模型	
一	、问题背景	
1.1 监督学习简介	
1.2 决策树简介	
二	、程序说明	
2.1 数据载入	
2.2 功能函数	
2.3 决策树模型	
三	、程序测试	
3.1 数据集说明	
3.2 决策树生成和测试	
3.3 学习曲线评估算法精度	
四	、实验总结	
附	录 - 程序代码	
一	、问题背景	
1.1 监督学习简介
机器学习的形式包括无监督学习，强化学习，监督学习和半监督学习；学习任务有分类、聚类和回 归等。
监督学习通过观察“输入―输出”对，学习从输入到输出的映射函数。分类监督学习的训练集为标记 数据，每一条数据有对应的”标签“，根据标签可以将数据集分为若干个类别。分类监督学习经训练集生  成一个学习模型，可以用来预测一条新数据的标签。
常见的监督学习模型有决策树、KNN算法、朴素贝叶斯和随机森林等。
1.2 决策树简介
决策树归纳是一类简单的机器学习形式，它表示为一个函数，以属性值向量作为输入，返回一个决策。
决策树的组成
决策树由内节点上的属性值测试、分支上的属性值和叶子节点上的输出值组成。