Machine learning

决策树

决策树是一种可解释的分类和回归方法，由Breiman、Friedman、Olshen和Stone在他们1984年的CART框架中形式化，它通过分层的if-then规则对数据进行划分。每次分割都会将观测值发送到其中一个分支，直到从叶子中读取预测。

在 MethodMind 中打开即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

Method map

The neighbourhood of related methods — select a node to explore.

决策树

逻辑回归朴素贝叶斯 (Naive Bayes) 是一种快…随机森林支持向量机（分类）XGBoost 主动学习决策树 AdaBoost Bagging（Bootstrap Aggreg…贝叶斯决策树 Boosting

+31 more

来源

Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and Regression Trees. Wadsworth. DOI: 10.1201/9781315139470 ↗

如何引用本页

ScholarGate. (2026, June 1). Decision Tree (CART — Classification and Regression Trees). ScholarGate. https://scholargate.app/zh/machine-learning/decision-tree

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

逻辑回归研究统计学↔ compare
朴素贝叶斯 (Naive Bayes) 是一种快速的概率分类器，它应用贝叶斯定理，同时假设特征在给定类别时是条件独立的机器学习↔ compare
随机森林机器学习↔ compare
支持向量机（分类）机器学习↔ compare
XGBoost机器学习↔ compare

Compare side by side →

被引用于

主动学习决策树 AdaBoost Bagging（Bootstrap Aggregating）贝叶斯决策树 Boosting 基于案例推理 (CBR)CatBoost 集成决策树集成梯度提升可解释决策树可解释的极限随机树可解释K-Means 可解释 K-近邻算法可解释 LightGBM 可解释朴素贝叶斯可解释随机森林极端随机树 (Extra Trees)梯度提升（Gradient Boosting）孤立森林 (Isolation Forest)K-Nearest Neighbors LightGBM 线性回归 (ML)逻辑回归（机器学习）多元自适应回归样条 (MARS)朴素贝叶斯 (Naive Bayes) 是一种快速的概率分类器，它应用贝叶斯定理，同时假设特征在给定类别时是条件独立的在线决策树随机森林正则化决策树正则化随机森林鲁棒决策树鲁棒随机森林规则归纳（RIPPER）自监督决策树自监督随机森林半监督决策树半监督FP-growth SHAP (SHapley Additive exPlanations)堆叠法 XGBoost

发现本页有问题？报告或提出修改建议 →

阅读完整方法

Method map

来源

如何引用本页

相关方法

Which method?

被引用于