c4.5算法是什么意思？

C4.5算法是RossQuinlan開發的一種生成決策樹的算法。該算法是RossQuinlan開發的ID3算法的擴展。C4.5算法生成的決策樹可以用于分類目的，所以這個算法也可以用于統計分類。C4.5算法和ID3算法一樣，使用信息熵的概念，通過學習數據來構建決策樹。

決策樹屬于可視化的哪一種？

決策樹是一種流行的監督學習方法。決策樹的優點是既可用于回歸，又可用于分類，無需特征縮放，可解釋性好，易于可視化決策樹。

可視化決策樹不僅是理解你的模型的好方法，也是向他人介紹你的模型的運行機制的有利工具。因此，數據分析師掌握決策樹的可視化方法非常重要。

crat決策樹用什么來劃分屬性？

決策樹是以樣本的屬性為節點，屬性值為分支的樹形結構。

決策樹的根節點是所有樣本中信息量最大的屬性。樹的中間節點是以該節點為根的子樹中包含的樣本子集中信息量最大的屬性。決策樹的葉節點是樣本的類別值。決策樹是一種知識表示形式，是對所有樣本數據的高度概括。決策樹能準確識別所有樣本的類別，并能有效識別新樣本的類別。

決策樹算法ID3的基本思想；

首先找出最有鑒別能力的屬性，將樣本分成若干子集，通過選擇最有鑒別能力的屬性對每個子集進行劃分，直到所有子集只包含同一類型的數據。

PM決策樹優點？

1.決策樹模型容易產生過于復雜的模型，這樣的模型泛化性能會很差。這就是所謂的過擬合，一些策略如剪枝、設置葉子節點所需的最小樣本數或設置數的最大深度是避免這個問題的最有效方法。

2.決策樹可能不穩定，因為數據的微小變化可能導致完全不同的樹生成。這個問題可以通過決策樹的集成來緩解。

3.在多方面性能最優和概念簡化的要求下，學習最優決策樹通常是一個NP-hard問題。

所以實際的決策樹學習算法都是基于啟發式算法，比如在每個節點做出局部最優決策的貪婪算法。該算法不能保證返回最全局的決策樹。這個問題可以通過集成學習訓練多個決策樹來緩解，決策樹一般是通過隨機抽取特征和樣本產生的。

4.有些概念是決策樹很難學習的，因為決策樹很難清晰地表達那些概念，比如異或、奇偶或多路復用問題。

5.如果問題中某些類占優勢，那么原來的決策樹會有偏差，建議先分析數據再擬合。設置為平衡。