决策树DecisionTree-优质课件 .pptx

决策树Decision Tree;简介;决策树的结构;决策树的结构;决策树分类;Example of a Decision Tree;Another Example of Decision Tree;9、我们的市场行为主要的导向因素，第一个是市场需求的导向，第二个是技术进步的导向，第三大导向是竞争对手的行为导向。七月-21七月-21Sunday, July 18, 2021 10、市场销售中最重要的字就是“问”。09:25:5909:25:5909:257/18/2021 9:25:59 AM 11、现今，每个人都在谈论着创意，坦白讲，我害怕我们会假创意之名犯下一切过失。七月-2109:25:5909:25Jul-2118-Jul-21 12、在购买时，你可以用任何语言；但在销售时，你必须使用购买者的语言。09:25:5909:25:5909:25Sunday, July 18, 2021 13、He who seize the right moment, is the right man.谁把握机遇，谁就心想事成。七月-21七月-2109:25:5909:25:59July 18, 2021 14、市场营销观念：目标市场，顾客需求，协调市场营销，通过满足消费者需求来创造利润。18 七月 20219:25:59 上午09:25:59七月-21 15、我就像一个厨师，喜欢品尝食物。如果不好吃，我就不要它。七月 219:25 上午七月-2109:25July 18, 2021 16、我总是站在顾客的角度看待即将推出的产品或服务，因为我就是顾客。2021/7/18 9:25:5909:25:5918 July 2021 17、利人为利已的根基，市场营销上老是为自己着想，而不顾及到他人，他人也不会顾及你。9:25:59 上午9:26 上午09:26:00七月-21 ;Apply Model to Test Data;Apply Model to Test Data;Apply Model to Test Data;Apply Model to Test Data;Apply Model to Test Data;Apply Model to Test Data;决策树原理;Check for the above base cases. For each attribute?a, find the normalized information gain ratio from splitting on?a. Let?a_best?be the attribute with the highest normalized information gain. Create a decision?node?that splits on?a_best. Recur on the sublists obtained by splitting on?a_best, and add those nodes as children of?node.;例子：算法过程;例子：算法过程;例子：算法过程;; Father of information theory 证明熵与信息内容的不确定程度有等价关系 系统科学领域三大论之一;? 系统越无序、越混乱，熵就越大。 ? 构造决策树，熵定义为无序性度量。 ? 选择一个属性划分数据，使得子女节点上数据的类值（例中“yes”或“no”）大部分都相同（低无序性）。 ? 如果一个节点上的数据类值??可能的类值上均匀分布，则称节点的熵（无序性）最大。 ? 如果一个节点上的数据的类值对于所有数据都相同，则熵最小。 ? 通过分裂，得到尽可能纯的节点。这相当于降低系统的熵。;例子;1.基于天气的划分;构造树;（1）训练样本的信息值(基于类的比例） ? 训练样本（用来创建树的数据集）在包含9个yes和5个no的根节点上，对应于信息值 info([9,5])=0.940位 →总的信息;（2） 第一棵树，属性，各叶节点的信息值 ? 基于天气(outlook)的划分，在叶节点的yes和no类的个数分别是[2,3]，[4,0]，和[3,2]，而这些节点的信息值分别是： ? info([2,3])=0.971位 →sunny ? info([4,0])=0. 0位 →overcast ? info([3,2])=0.971位 →rain;（3）第一棵树，属性，导致的信息增益 计算平均信息值。 根据天气的树导致的信息增益为：基于类比例原来信息需求-基于天气属性划分之后得到的信息需求;;（5）选择获得最大信息增益的属性进行划分 ?最大信息增益：? gain(outlook)=0.247位 ?选择天气作为树的根节点的划分属性，其中一个子女节