大数据挖掘培训班之决策树算法讲解

大数据之所以得到重视，还是源于海量数据当中蕴含的价值，而这些数据价值并非轻易能够得到的，需要通过大数据挖掘来获取到相应的价值线索，而大数据挖掘也就涉及到数据挖掘算法。今天的大数据挖掘培训班分享，我们主要来聊聊大家都听过的决策树算法。

大数据挖掘，主要用到的就是算法，依赖于算法从海量的数据当中，提取出隐藏的线索和潜在的有用的信息。

决策树可以说是非常有名的一种算法，尤其是是统计分析和机器学习领域，决策树在解决分类问题上，具有明显的优势。

决策树，顾名思义，它正像一棵大树一样，由根部不断生长出很多枝叶。决策树的应用，需要根据实际需求来进行选择，是单棵决策树，还是适当地进行组合。

单棵决策树，一棵大树上每支叶子自成一类。在实际业务中，大家最关心的问题包括：在每一个节点该选择哪个属性进行分割？该怎样分割才能效果最好？

这些问题通常都可以通过SAS Enterprise Miner中强大的交互决策树功能解决，选择最大的logworth值来选择拆分变量、创建拆分规则。

不过，这样的分类过程到底应该在什么时候结束呢？最直观的方式当然是在每个子节点只有一种类型的记录时停止分类，但是这样可能会使得树的节点过多，导致过拟合问题（overfitting），即该决策树对训练数据可以得到很低的错误率，但是运用到验证数据上时却错误率极高。

所以，剪枝是优化和解决这类问题的必要做法，对原始决策树进行验证和裁减，从而得到最优决策树。单棵决策树的实现在SAS Enterprise Miner中有现成的节点可直接使用。

除了剪枝、交叉验证等手段外，为了有效减少单决策树带来的问题，与决策树相关的组合分类（比如Bagging,Boosting等算法）也逐渐被引入进来，这些算法的精髓都是通过生成N棵树（N可能高达几百）、最终形成一棵最适合的结果分类树。

关于大数据挖掘培训班，决策树算法讲解，以上就为大家做了一个简单的入门介绍了。大数据挖掘对于算法的重视是明显的，决策树也是大数据分析挖掘当中必须掌握的一种重要算法。加米谷大数据，成都大数据培训机构，大数据分析与挖掘，小班面授课程，本月正在招生中，课程大纲及学习资料可联系客服获取！