在生活或工作中，人們經(jīng)常面臨各種各樣的選擇，很迷茫和困惑，正確的決策非常重要。同樣，人工智能研究中也會遇到?jīng)Q策問題，今天就跟大家聊聊人工智能之決策樹。

決策樹（DecisionTree）是一類常見的機器學習方法。決策樹（DT）在人工智能中所處的位置：

人工智能－＞機器學習－＞監(jiān)督學習－＞決策樹。

在機器學習中，決策樹（DT）是一個預測（決策）模型，它所代表的是對象屬性與對象值之間的一種映射關系。決策樹算法根據(jù)數(shù)據(jù)的屬性采用樹狀結構建立決策模型。

什么是決策樹？

決策樹（DT）是在已知各種情況發(fā)生概率的基礎上，通過構成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。從數(shù)據(jù)產生決策樹的機器學習技術叫做決策樹學習。

通過定義我們知道，決策樹（DT）是一種樹形結構，樹中每個節(jié)點表示某個對象，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結點則對應從根節(jié)點到該葉節(jié)點所經(jīng)歷的路徑所表示的對象的值。結點有兩種類型：內部節(jié)點和葉節(jié)點，內部節(jié)點表示一個特征、屬性或一個屬性上的測試，每個分支代表一個測試輸出，葉節(jié)點表示一個類別。決策樹（DT）一般都是自上而下的來生成的。每個決策或事件（即自然狀態(tài)）都可能引出兩個或多個事件，導致不同的結果。

決策樹（DT）是一種十分常見的分類方法，也稱分類樹。它是一種監(jiān)督學習，即給定一堆樣本，每個樣本都有一組屬性和一個類別，這些類別是事先確定的，那么通過學習得到一個分類器，這個分類器能夠對新出現(xiàn)的對象給出正確的分類。因此，決策樹常常用來解決分類和回歸問題。

決策樹構成要素：

1）決策結點：用方塊結點□表示，是對幾種可能方案的選擇，即最后選擇的最佳方案。如果決策屬于多級決策，則決策樹的中間可以有多個決策點，以決策樹根部的決策點為最終決策方案。

2）方案枝：由結點引出若干條細支，每條細支代表一個方案，稱為方案枝

3）狀態(tài)結點：用圓形結點○表示，代表備選方案的經(jīng)濟效果（期望值），通過各狀態(tài)節(jié)點的經(jīng)濟效果的對比，按照一定的決策標準就可以選出最佳方案。

4）概率枝：由狀態(tài)節(jié)點引出的分支稱為概率枝，概率枝的數(shù)目表示可能出現(xiàn)的自然狀態(tài)數(shù)目。每個分枝上要注明該狀態(tài)的內容和其出現(xiàn)的概率。

5）結果結點：用三角結點△表示，將每個方案在各種自然狀態(tài)下取得的收益值或損失值標注于結果節(jié)點的右端。

總之，決策樹一般由決策結點、方案枝、狀態(tài)結點、概率枝和結果結點等組成，這樣樹形圖由左向右或自上而下，由簡到繁展開，組成一個樹狀網(wǎng)絡圖。

決策樹學習過程：

決策樹學習過程（建樹過程）包含特征選擇、決策樹的生成與剪枝過程。決策樹的學習算法通常是遞歸地選擇最優(yōu)特征，并用最優(yōu)特征對數(shù)據(jù)集進行分割。開始時，構建根結點，選擇最優(yōu)特征，該特征有幾種值就分割為幾個子集，每個子集分別遞歸調用此方法，返回結點，返回的結點就是上一層的子結點。直到所有特征都已經(jīng)用完，或者數(shù)據(jù)集只有一維特征為止。另外，隨機森林分類器將許多決策樹結合起來以提升分類的正確率。

決策樹建樹過程的主要挑戰(zhàn)是確定哪些屬性作為根節(jié)點以及每個級別的節(jié)點。處理這些需要知道屬性選擇。目前主要有2種不同的屬性選擇方法（信息增益和基尼指數(shù)）來識別這些屬性。當信息增益作為標準時，假設屬性是分類的；對于基尼系數(shù)，則假設屬性是連續(xù)的。