阅读大概需要12分钟
跟随小博主，每天进步一丢丢
作者：潘瑞东
研究方向：机器学习和自然语言处理
导读
决策树(Decision Tree）是一种非常经典的机器学习算法，常见的决策树算法包括ID3、C4.5、CART树等。
相比其他机器学习算法，决策树算法对特征选择的可解释性强，由于决策树的分枝是采用阈值划分的贪心策略，决策树能很好的处理类别等离散特征，且对于连续特征的分布没有特殊的假设，大部分情况下不需要像其他机器学习或者深度学习算法（SVM、线性回归、KNN、神经网络等）对特征进行归一化或者对特征的分布做修正。
更重要的是，决策树是很多集成学习算法（如随机森林、Adaboost、GBDDT、xgboost、lightGBM）的基础学习器，这些由多个决策树组成的集成学习算法性能强大，至今仍然主宰着大部分数据竞赛，在工业届也有很高的实用性。可以这么说，掌握决策树算法是学习集成学习算法的第一步。
如果你第一次接触机器学习，可能对于决策树或许会有这些困惑：
- 决策树分枝的依据是什么？
- 决策树如何处理连续特征和离散特征？
- ID3、C4.5、CART树有什么关联和区别？
- 决策树如何做回归和分类任务？
这份笔记会对ID3、C4.5、CART树进行介绍，希望对你有所帮助，如有疏漏，回复提出，感谢纠正~
笔记
