在機器學習算法中，決策樹（decision tree）是一種基本的分類與回歸方法。決策樹模型呈樹形結(jié)構，在分類問題中，表示基于特征對實例進行分類的過程。它可以認為是if-then規(guī)則的集合（互斥并且完備），也可以認為是定義在特征空間與類空間上的條件概率分布。其主要優(yōu)點是模型具有可讀性，分類速度快。

1. 概述

2. 特征選擇

2.1 信息增益

2.2 信息增益率

2.3 基尼指數(shù)

3. 決策樹生成

4. 決策樹剪枝

4.1 預剪枝

4.2 后剪枝

5. 連續(xù)與缺失值

5.1 連續(xù)值處理

5.2 缺失值處理

6. 多變量決策樹

7. sklearn中決策樹模型參數(shù)釋義

8. 實際使用技巧