大家好，來到我們第十天嚕~今天我們要來談談Tree，因為在後續的實作都會應用到，所以再來繼續科普一下大家，在我們了解分類和迴歸之前，先來初步了解決策樹吧!

決策樹 (Decision Tree)

為一種過程單純且執行效率也很高的監督式機器學習模型，它很普遍地被用於資料探勘(Data Mining)的技術，而判斷決策的模式是用樹狀分枝的概念來作。

• 分類樹(Classification Tree)
  決策樹很常被拿來用在預測分類上。如果它被拿來應用於應變數類別型態時，那麼我們就可以說這棵決策樹是「分類樹」。
  e.g. 生死、性別、顏色

• 迴歸樹(Regression Tree)
  那如果決策樹分析出來的結果是連續數時，那麼我們就可以說這棵決策樹是「迴歸樹」。
  e.g. 體重、身高

• 分類迴歸樹(Classification and Regression Tree / CART)
  再來，還有一種預測結果不只可以顯現出類別的型態，還可以是連續數值型的資料，那麼我們就可以說這棵決策樹是「分類迴歸樹」。
  方法 : 在每一次進行分類時，只會產生兩個分枝，分別來歸納與分析資料集，而且並不限制變數的類型 ! 因於分析上，有著較大的彈性，固然是受眾人喜愛使用的分析方法之一。

決策樹分類的優缺點

• 優點
  1.簡單的規則
  2.無龐大的運算
  3.類別型資料或連續型資料都可用其分析
• 缺點
  1.碰到有順序的資料，需做許多預先處理的工作
  2.在分析的類別太多時，錯誤率可能會明顯提高

請大家記住以上幾點，或許我們在後天就會用到囉~

參考資料:
決策樹 Decision trees
分類工具(3)─決策樹（Decision Tree）