大家好，今天小编关注到一个比较有意思的话题，就是关于决策树c语言的问题，于是小编就整理了4个相关介绍决策树c语言的解答，让我们一起看看吧。
id3算法建立决策树的基本思想？
ID3算法是决策树的一种，它是基于奥卡姆剃刀原理的，即用尽量用较少的东西做更多的事。
在信息论中，期望信息越小，那么信息增益就越大，从而纯度就越高。ID3算法的核心思想就是以信息增益来度量属性的选择，选择分裂后信息增益最大的属性进行分裂。该算法***用自顶向下的贪婪搜索遍历可能的决策空间。
连续数据和离散数据可以用决策树吗？
决策树可以处理连续数据和离散数据。对于连续数据，决策树可以通过选择合适的划分点将数据进行分割，从而建立起决策规则；对于离散数据，决策树可以直接基于数据的取值建立规则。因此，无论是连续数据还是离散数据，决策树都可以有效地进行分类或回归分析，帮助解决各种问题。通过对数据的划分和规则的建立，决策树可以快速、直观地生成决策过程，因此被广泛应用于数据挖掘和机器学习领域。
决策树概念？
决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。
决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。
分类树（决策树）是一种十分常用的分类方法。它是一种监督学习，所谓监督学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。
决策树分析是谁提出的？
1986年提出罗斯昆兰决策树分析概念，贡献于机器学习领域，30年后获最高荣誉奖。
所谓的决策树(Decision Tree），是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。
到此，以上就是小编对于决策树c语言的问题就介绍到这了，希望介绍关于决策树c语言的4点解答对大家有用。
