决策树 决策树法例题及答案

决策树(Decision Tree），又称判定树，是一个流程图形式的树结构，其中每个中间结点代表某个属性或某组属性上的测试，每个分支则对应了该测试的不同结果，每个叶结点代表某个类别或预测结果。从训练数据中产生决策树的算法，通常被称为决策树学习算法或决策树算法。

　　决策树是利用树形图进行决策的预测模型，表现出的是对象属性与对象值之间的一种映射关系，是归纳学习和数据挖掘的重要方法。决策树分为分类树和回归树两种：分类树对离散变量做决策树，回归树对连续变量做决策树。
决策树算法主要围绕两大核心问题展开：第一，决策树的生长问题，即利用训练样本集，完成决策树的建立过程。第二，决策树的剪枝问题，即利用检验样本集，对形成的决策树进行优化处理。

　　决策树的算法很多，如ID3、C4.5、CART等。这些算法均采用自顶向下的贪婪算法，每个节点选择分类效果最好的属性将节点分裂为2个或多个子结点，继续这一过程直到这棵树能准确地分类训练集，或所有属性都已被使用过。

　　决策树的优势有：结构简单，便于理解；效率高，较为适合训练集数据量较大的情况；通常不需要接受训练集数据外的知识；具有较高的分类精确度等等。

决策树算法广泛应用于各个领域，如文本分类、语音识别、模式识别和专家系统等。

中科院西北生态环境资源研究院运用多级决策树分类算法提高积雪判别精度问题

　　2021年，中科院西北生态环境资源研究院科研团队基于1981年至2019年AVHRR遥感数据，发展了集成云雪区分、积雪识别和云下积雪恢复的反演算法。