决策树（）

计算动词决策树是计算动词理论与传统决策树相结合的产物，也可以说是对传统决策树的计算动词化。对传统决策树的计算动词化有多种方式：第一，我们可以对传统决策树所处理的数据中的时序性进行计算动词化，也即对于在传统决策树中应用对象为时间序列的应用来进行输入数据的计算动词化；除此之外，我们还可以对传统决策树所对应的规则进行计算动词化，也即对传统决策树的拓扑结构本身，就如同将形如传统神经网络这样的计算结构进行计算动词化的情形一样，在这结构中加入计算动词规则来改变传统决策树的拓扑结构。从某种意义来说计算动词决策树是将众多的传统决策树沿时间轴方向在其输入数据以及其决策过程的维度上进行的拓展。因此，计算动词决策树对于其输入数据的降维以及对于其推理过程的降维会有效地控制传统决策树在挖掘大规模的时序数据的时候所可能出现的输入组合爆炸以及其拓扑结构的组合爆炸，从而达到拟人的数据挖掘和决策过程。

统计学，数据挖掘和机器学习中的决策树训练，使用决策树作为预测模型来预测样本的类标。这种决策树也称作分类树或回归树。在这些树的结构里，叶子节点给出类标而内部节点代表某个属性。在决策分析中，一棵决策树可以明确地表达决策的过程。在数据挖掘中，一棵决策树表达的是数据而不是决策。

决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪