本文檔的主要內(nèi)容詳細介紹的是機器學習教程之機器學習10大經(jīng)典算法的詳細資料講解主要內(nèi)容包括了：1、C4.5，2、The k-means algorithm3、SVM 4、Apriori算法5、最大期望（EM）算法6、PageRank7、AdaBoost8、k-nearest neighbor classification9、貝葉斯分類器10、分類與回歸樹

　　機器學習中，決策樹是一個預測模型；他代表的是對象屬性與對象值之間的一種映射關(guān)系。樹中每個節(jié)點表示某個對象，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結(jié)點則對應從根節(jié)點到該葉節(jié)點所經(jīng)歷的路徑所表示的對象的值。決策樹僅有單一輸出，若欲有復數(shù)輸出，可以建立獨立的決策樹以處理不同輸出。

?

　　從數(shù)據(jù)產(chǎn)生決策樹的機器學習技術(shù)叫做決策樹學習， 通俗說就是決策樹。

　　決策樹學習也是數(shù)據(jù)挖掘中一個普通的方法。在這里，每個決策樹都表述了一種樹型結(jié)構(gòu)，他由他的分支來對該類型的對象依靠屬性進行分類。每個決策樹可以依靠對源數(shù)據(jù)庫的分割進行數(shù)據(jù)測試。這個過程可以遞歸式的對樹進行修剪。 當不能再進行分割或一個單獨的類可以被應用于某一分支時，遞歸過程就完成了。另外，隨機森林分類器將許多決策樹結(jié)合起來以提升分類的正確率。

　　決策樹同時也可以依靠計算條件概率來構(gòu)造。決策樹如果依靠數(shù)學的計算方法可以取得更加理想的效果。

　　決策樹是如何工作的

　　決策樹一般都是自上而下的來生成的。

　　選擇分割的方法有好幾種，但是目的都是一致的：對目標類嘗試進行最佳的分割。

　　從根到葉子節(jié)點都有一條路徑，這條路徑就是一條“規(guī)則”。

　　決策樹可以是二叉的，也可以是多叉的。

　　對每個節(jié)點的衡量：

　　1） 通過該節(jié)點的記錄數(shù)

　　2） 如果是葉子節(jié)點的話，分類的路徑

　　3） 對葉子節(jié)點正確分類的比例。

　　有些規(guī)則的效果可以比其他的一些規(guī)則要好。

　　由于ID3算法在實際應用中存在一些問題，于是Quilan提出了C4.5算法，嚴格上說C4.5只能是ID3的一個改進算法。相信大家對ID3算法都很。熟悉了，這里就不做介紹。

　　C4.5算法繼承了ID3算法的優(yōu)點，并在以下幾方面對ID3算法進行了改進：

　　1） 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；

　　2） 在樹構(gòu)造過程中進行剪枝；

　　3） 能夠完成對連續(xù)屬性的離散化處理；

　　4） 能夠?qū)Σ煌暾麛?shù)據(jù)進行處理。

　　C4.5算法有如下優(yōu)點：產(chǎn)生的分類規(guī)則易于理解，準確率較高。其缺點是：在構(gòu)造樹的過程中，需要對數(shù)據(jù)集進行多次的順序掃描和排序，因而導致算法的低效。此外，C4.5只適合于能夠駐留于內(nèi)存的數(shù)據(jù)集，當訓練集大得無法在內(nèi)存容納時程序無法運行。

　　來自搜索的其他內(nèi)容：

　　C4.5算法是機器學習算法中的一種分類決策樹算法，其核心算法是ID3算法。

　　分類決策樹算法是從大量事例中進行提取分類規(guī)則的自上而下的決策樹。

　　決策樹的各部分是：

　　根： 學習的事例集。

　　枝： 分類的判定條件。

　　葉： 分好的各個類。