面试必备：如何全面掌握树模型精髓？

本文共计3579个文字，预计阅读时间需要15分钟。

决策树模型因其特征预处理简单、易于集成学习、良好的拟合能力和解释性，是应用最广泛的机器学习模型之一。不同于线性模型[数学描述：f(W·X+b)]，决策树模型通过数据样本学习各个特征的阈值，从而对数据进行分类或回归。

决策树模型因为其特征预处理简单、易于集成学习、良好的拟合能力及解释性，是应用最广泛的机器学习模型之一。

不同于线性模型是通过数据样本学习各个特征的合适权重，加权后做出决策。决策树会选择合适特征并先做特征划分后，再做出决策（也就是决策边界是非线性的，这提高了模型的非线性能力）。

一、树模型的概括

决策树呈树形结构，更通俗来讲，树模型的数学描述就是**“分段函数”**。如下一个简单判别西瓜质量的决策树模型示例（注：以下西瓜示例，数据随机杜撰的，请忽略这么小的西瓜瓜~）：

学习这样树模型的过程，简单来说就是从有监督的数据经验中学习一个较优的树模型的结构：包含了依次地选择特征、确定特征阈值做划分的内部节点及最终输出叶子节点的数值或类别结果。

• 1、我们首先要拿到一些有关西瓜的有监督数据（这些西瓜样本已有标注高/低质量西瓜），并尝试选用决策树模型来学习这个划分西瓜的任务。如下数据样本示例：
• 2、后面也就是，凭着已知西瓜样本的特性/特征，学习如何正确地划分这些西瓜（归纳出本质规律）。开始学习之前，我们得确定一个树模型在生长的目标（学习的目标）。