本文主要是介绍吴恩达机器学习笔记 二十七 决策树中连续值特征的选择 回归树，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
还是猫狗分类的案例，假如再增加一个特征weight，该值是一个连续的值，如何在决策树中使用该特征？
如下图所示，尝试不同的阈值，如 weight<=9 , 此时左边有四个样本，都为猫，右边有六个样本，其中一个为猫，计算信息增益（绿色的那个）。同理，把条件设为weight<=8，划分后左边有两个样本，全是猫，右边有八个样本，其中三个是猫，计算信息增益（蓝色的那个），可以发现边界设为9时信息增益最大，所以就按照这个标准分。
决策树用于分类问题-->推广到回归问题：回归树
用决策树来预测一个数字而不是类别
用于回归问题时，我们不追求减少熵，而是期望能够降低分类后每个子集 weight 的方差 。如下图，计算不同分类后的左右两支子树的带权重方差和，再用根节点的方差减去这个数，得到方差的减少量，方差减少的越多越好，所以选择 ear shape 作为分割特征。
这篇关于吴恩达机器学习笔记 二十七 决策树中连续值特征的选择 回归树的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
