本文檔的主要內容詳細介紹的是機器學習教程之機器學習10大經典算法的詳細資料講解主要內容包括了：1、C4.5，2、The k-means algorithm3、SVM 4、Apriori算法5、最大期望（EM）算法6、PageRank7、AdaBoost8、k-nearest neighbor classification9、貝葉斯分類器10、分類與回歸樹

　　機器學習中，決策樹是一個預測模型；他代表的是對象屬性與對象值之間的一種映射關系。樹中每個節點表示某個對象，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點到該葉節點所經歷的路徑所表示的對象的值。決策樹僅有單一輸出，若欲有復數輸出，可以建立獨立的決策樹以處理不同輸出。

?

　　從數據產生決策樹的機器學習技術叫做決策樹學習， 通俗說就是決策樹。

　　決策樹學習也是數據挖掘中一個普通的方法。在這里，每個決策樹都表述了一種樹型結構，他由他的分支來對該類型的對象依靠屬性進行分類。每個決策樹可以依靠對源數據庫的分割進行數據測試。這個過程可以遞歸式的對樹進行修剪。 當不能再進行分割或一個單獨的類可以被應用于某一分支時，遞歸過程就完成了。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。

　　決策樹同時也可以依靠計算條件概率來構造。決策樹如果依靠數學的計算方法可以取得更加理想的效果。

　　決策樹是如何工作的

　　決策樹一般都是自上而下的來生成的。

　　選擇分割的方法有好幾種，但是目的都是一致的：對目標類嘗試進行最佳的分割。

　　從根到葉子節點都有一條路徑，這條路徑就是一條“規則”。

　　決策樹可以是二叉的，也可以是多叉的。

　　對每個節點的衡量：

　　1） 通過該節點的記錄數

　　2） 如果是葉子節點的話，分類的路徑

　　3） 對葉子節點正確分類的比例。

　　有些規則的效果可以比其他的一些規則要好。

　　由于ID3算法在實際應用中存在一些問題，于是Quilan提出了C4.5算法，嚴格上說C4.5只能是ID3的一個改進算法。相信大家對ID3算法都很。熟悉了，這里就不做介紹。

　　C4.5算法繼承了ID3算法的優點，并在以下幾方面對ID3算法進行了改進：

　　1） 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；

　　2） 在樹構造過程中進行剪枝；

　　3） 能夠完成對連續屬性的離散化處理；

　　4） 能夠對不完整數據進行處理。

　　C4.5算法有如下優點：產生的分類規則易于理解，準確率較高。其缺點是：在構造樹的過程中，需要對數據集進行多次的順序掃描和排序，因而導致算法的低效。此外，C4.5只適合于能夠駐留于內存的數據集，當訓練集大得無法在內存容納時程序無法運行。

　　來自搜索的其他內容：

　　C4.5算法是機器學習算法中的一種分類決策樹算法，其核心算法是ID3算法。

　　分類決策樹算法是從大量事例中進行提取分類規則的自上而下的決策樹。

　　決策樹的各部分是：

　　根： 學習的事例集。

　　枝： 分類的判定條件。

　　葉： 分好的各個類。