什么是机器学习中的分类器：决策树

分类器是机器学习算法，它通过为数据集的每个元素分配一个类来操作。分类器有不同的类型，我们将在本文中探讨的是基于决策树的分类器。

决策树是学习的一种表示 机器学习. 树是一种数据结构，其信息包含在节点中，节点之间通过弧连接。 节点位于一个拱形与另一个拱形相交的正确位置。

下面是一棵树的图形表示。 树可以包含各种信息

从图形上我们可以看到包含元素 A、B、C、D、E、F 的 6 个节点，而弧线是连接信息的线段。

这样的树结构有：

• 一个称为根或根的节点，在我们的例子中，它是包含信息 A 的节点。它始终是整个树的下降节点；
• 节点 B 和 C 是节点 A 的后代，因为有弧将上级节点的后代绑定在一起；
• 没有后代的节点称为叶子，在这种情况下它们是节点 D、F 和 C；
• 树也有一个深度，即从根到叶的最大距离，在我们的例子中为 3

在机器学习中，决策树结构正是从这种结构派生出来的，唯一的区别是每个节点不包含信息，而是包含一个条件，一个要评估的条件。 这些树也称为分类和回归树 (CART)，并内置在机器正在训练的模型中。

分类示例

现在让我们看一个分析来自八辆汽车的数据的案例。 对于每辆车，我们都知道排量和售价作为特征，每辆车对应一个 True 或 False 目标，告诉我们这辆车是否是一个机会。

下面是汇总表：