決策樹(Decision Tree）是在已知各種情況發生機率的基礎上，透過構成決策樹來求取淨現值的期望值大於等於零的機率，評估專案風險，判斷其可行性的決策分析方法，是直觀運用機率分析的一種圖解法。
由於這種決策分支畫成圖形很像一棵樹的枝幹，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是物件屬性與物件值之間的一種映射關係。 Entropy = 系統的凌亂程度，使用演算法ID3, C4.5和C5.0生成樹演算法使用熵。這個測量是基於資訊學理論中熵的概念。 (推薦學習：web前端視訊教學）
決策樹是一種樹狀結構，其中每個內部節點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉節點代表一種類別。
分類樹（決策樹）是一種十分常用的分類方法。他是一種監管學習，所謂監管學習就是給定一堆樣本，每個樣本都有一組屬性和一個類別，這些類別是事先確定的，那麼透過學習得到一個分類器，這個分類器能夠對新出現的物件給予正確的分類。這樣的機器學習就稱為監督學習。
組成
□－決策點，是幾個可能方案的選擇，也就是最後選擇的最佳方案。如果決策屬於多層決策，則決策樹的中間可以有多個決策點，以決策樹根部的決策點為最終決策方案。
○－狀態節點，代表備選方案的經濟效果（期望值），透過各狀態節點的經濟效果的對比，依照一定的決策標準就可以選出最佳方案。由狀態節點引出的分支稱為機率枝，機率枝的數目表示可能出現的自然狀態數目每個分枝上要註明該狀態出現的機率。
△－結果節點，將每個方案在各種自然狀態下所取得的損益值標註於結果節點的右端。
一個決策樹包含三種類型的節點：
決策節點：通常用矩形框來表示
機會節點：通常用圓圈來表示
結束點：通常用三角形來表示
決策樹學習也是資料探勘中普通的方法。在這裡，每個決策樹都表達了一種樹型結構，它由它的分支來對該類型的物件依賴屬性進行分類。每個決策樹可以依靠對來源資料庫的分割進行資料測試。
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單獨的類別可以被應用在某一分支時，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。
以上是什麼是一種基於樹狀結構進行決策的演算法的詳細內容。更多資訊請關注PHP中文網其他相關文章！
