決策樹狀圖

決策樹模型由決策樹組成。決策樹林 學習演算法 (例如隨機森林) 至少需要仰賴 還要持續學習

在本節課程中，您將學習小型的資料集範例，並學習 如何訓練單一決策樹在接下來的章節中，您將瞭解 然後再結合決策樹 訓練決策樹系

YDF 代碼

在 YDF 中，使用 CART 學習工具訓練個別決策樹狀圖模型：

# https://ydf.readthedocs.io/en/latest/py_api/CartLearner
import ydf
model = ydf.CartLearner(label="my_label").train(dataset)

模型

「決策樹」是由一組「問題」組成的模型已管理 形成樹狀結構的樹狀結構。這類問題通常會稱為 condition、split 或 test.我們會使用「狀況」一詞英吋 這個級別。每個非分葉節點都包含一個條件，而每個分葉節點都包含 預測結果

植物學樹通常在底部靠根來生長；不過，決策 樹狀結構通常是以「根」 (第一個節點) 表示。

圖 1.簡單的分類決策樹。綠色圖例不屬於部分 決策樹 ，瞭解如何調查及移除這項存取權。

 

決策樹模型的推論時，是將範例從 從根 (位於頂端) 到其中一個分葉節點 條件。這個葉數的值是決策樹的預測結果。 已造訪的節點組合稱為「推論路徑」。例如： 請考慮以下特徵值：

num_legs	num_eyes
4	2

預測結果是「dog」。以下推論路徑如下：

1. num_legs ≥ 3 → 是
2. num_eyes ≥ 3 → 否

圖 2.在這個例子中，成為分葉 *狗* 的推論路徑 *{num_legs : 4, num_eyes : 2}*。 ，瞭解如何調查及移除這項存取權。

 

在上一個範例中，決策樹的葉子含有分類 預測結果；也就是每個葉子 可能的物種

同樣地，決策樹也可以為葉子加上標籤，以便預測數值 迴歸預測 (數值)。舉例來說，下列決策 樹木可以預測 0 到 10 之間動物的可愛性分數。

圖 3.進行數值預測的決策樹。 ，瞭解如何調查及移除這項存取權。