修剪决策树

在机器学习和数据挖掘中，通过删除不提供分类实例的功能的树的部分，修剪减少了决策树的大小，修剪是与决策树相关联的技术。决策树是所有机器学习算法中最容易过度拟合的，而有效的修剪可以降低这种可能性。这篇文章将介绍两种技术，以帮助过度拟合 - 预修剪或早期停止和后修剪示例。

机器学习是一个权衡问题。经典问题是过度拟合与不合适。当模型很好地记忆其训练数据以至于在信号之上学习噪声时，就会发生过度拟合。欠拟合是相反的：模型太简单，无法在数据中找到模式。简单性与准确性是一个类似的考虑因素。您想要一个可以放在一张纸上并被广大读者理解的模型吗？或者你想要最好的准确度，即使它是一个“黑匣子”？在机器学习中主要有两种修剪决策树的方法，称为预剪枝和后剪枝，以便在决策树的环境中管理这些权衡。