基于决策树的集成分类方法比较
发布时间
阅读量：
阅读量
决策树（Decision Tree）是一种广泛应用的机器学习途径，适用于解决分类与回归两类问题。在处理分类任务时，决策树相较于逻辑回归和SVM存在明显差异：逻辑回归适用于接近线性可分的数据集，其决策边界为线性形式；SVM则通过将特征空间映射至核空间，使各类别在高维空间中实现线性可分，其在高维空间中的决策面为线性，而映射回原始特征空间后则表现为非线性的边界；相比之下，DT采用树状结构作为其核心机制，通过逐层划分各个特征的方式进行判断，从而能够识别出非线性的决策边界。关于逻辑回归和SVM的基本原理，可以参考相关博客《机器学习中的分类器：感知机、逻辑回归、支持向量机》。以下图表展示了一个二维特征空间中的分类实例，并对比了不同分类器所得到的结果：
（图片来源链接：LR、DT、SVM的对比）
模型演变历程 ：
还没有任何评论哟~