决策树的优缺点

决策树的优点:

1.易于理解和解释，不需要使用者了解很多的背景知识，决策树可以可视化使读者在使用过程中逐步理解决策树。

2.能够快速适应数据集，可以处理数值和分类数据，在大型数据集上表现良好，速度极快。

3.相较大多数方法而言可以同时处理数值变量和分类变量。可以处理多值输出变量问题。

4.效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。

5.便于通过静态测试来对模型进行评测，可以测定模型可信度；如果给定一个观察的模型，那么根据所产生的决策树很容易推出相应的逻辑表达式。

决策树缺点:

1.对连续性的字段的预测较难，在有时间序列的数据集上面会花费过多时间预处理。

2.容易出现过拟合，即决策树学习可能创建一个过于复杂的树，并不能很好的预测数据。

3.当类别太多时，错误情况可能就会增加的比较快，同时忽视数据集之间的相关性

4.在处理特征关联性比较强的数据时表现得不是太好。

5.对于各类别样本数量不一致的数据，在决策树当中，信息增益的结果偏向于那些具有更多数值的特征决。

策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。

在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。