通俗易懂地搞懂决策树（Decision Tree）那些事儿
一、决策树是什么？
“决策树是一颗好树，是一颗可以帮我们做决策的树。”
决策树的结构：树形结构，节点表示判断条件（分为根节点和中间节点），分支代表判断结果，叶子代表分类结果。
二、如何构造一棵决策树
1.当我们要构造一棵决策树的时候，大概首先想到的就是以下4个问题：
- 选哪个作为根节点？
- 根节点选定后，怎么选中间节点？
- 最后的叶节点又是怎样确认的？到什么程度呢？
- 怎样把这个事弄的更细致，使其能够让计算机来实现？
2.要解决上面的问题，先来看下构造决策树的流程
收集数据->准备数据->分析数据->训练算法->测试算法->使用算法
针对构造决策树时候面临的问题，衍生了很多决策树算法，他们处理的根本问题是上面流程的第四步——训练算法，实际上也就是划分数据集方法。一般有ID3、C4.5、C5.0三种算法。
1) ID3算法
根据信息熵算法计算节点的信息增益，信息增益最大的自变量作为根节点，其他的特征值依次选取为内部节点。
2) C4.5算法
待更新。。。。
3) C5.0算法
待更新。。。。
三、决策树与多条件过滤有什么区别？
从决策树的结构可以看出来，其实决策树的本质就是多条件过滤，但与多条件过滤的区别主要体现在各判断的条件上，多条件过滤中各个判断条件的权重是一样的，而决策树中越是处于树结构顶端的节点权重占比越大，比如根节点的权重是最大的。这就好比去面试，一面没过的话就没必要进行二面、三面、四面了。因此决策树过滤的效率会比多条件过滤更高。
四、决策树的应用
决策树在商业中的实际应用很多，比如销量预测模型。
五、决策树的python实现
待更新。。。。
参考文章：