Как дано в учебнике Machine Learning по Том Митчелл М., первым заявление о состояниях дерева решений, что, «Дерево решений падающего является методом аппроксимации дискретно значных функций». Может кто-то любезно продумать это утверждение, возможно, даже оправдывает его примером. Спасибо заранее :) :)Дерево решений обучение: Основная идея
В простом примере рассмотрим строки наблюдений с двумя атрибутами; учебные данные содержат классификацию (дискретные значения) на основе комбинации этих атрибутов. Этап обучения должен определять, какие атрибуты следует учитывать в каком порядке, чтобы он мог эффективно преуспеть в достижении желаемого моделирования.
Например, рассмотрите модель, которая ответит «Что я должен заказать на ужин?». учитывая входы желаемого ценового диапазона, кухни и пряности. Данные обучения будут содержать вашу историю из различных ресторанов. Модель должна будет определить, какая из них наиболее эффективна в достижении хорошей классификации в настоящее время: сначала удалите рестораны, основанные на кухне, затем оцените цену и, наконец, настройте выбор в соответствии с единицами Scoville; или, возможно, сначала проверьте пряность и начните с выбора дампа, которые недостаточно остры, прежде чем переходить к двум другим факторам.
Это объясняет, что вам нужно?
Начать с [wiki] (https://en.wikipedia.org/wiki/Decision_tree). Это даст вам хорошее представление о том, какие деревья решений и как их можно использовать с машинным обучением. – matcheek