用TensorFlow实现机器学习中的决策树

作者：禅与计算机程序设计艺术

决策树（decision tree）是一个很古老但是应用非常广泛的机器学习模型。在数据挖掘、模式识别、图像处理等领域都有着广泛的应用。如何使用TensorFlow实现决策树呢？本文将从零开始，带领大家实现一个简单版本的决策树模型。

2.基本概念术语说明

1.决策树（Decision Tree）：决策树是一种基于树形结构进行分析的监督学习方法，它主要用于分类、回归或预测任务，能够生成高度可interpretation的规则表达式。

2.样本（Sample）：指训练集中要被用来建立决策树的数据样本。

3.特征（Feature）：指对待预测变量进行观察、衡量、描述或者分类的一组属性或变量。

4.标签（Label）：指样本所对应的结果，即类别或连续值变量。

5.节点（Node）：决策树由结点（node）构成，每个结点代表一个条件判断，或者叶子结点表示结果。

6.父节点（Parent Node）：某个结点的直接上一级结点称为其父节点。

7.子节点（Child Node）：某结点的下一级结点称为其子节点。

8.内部节点（Interior Node）：除根节点和叶子结点外的所有中间结点。

9.外部节点（External Node）：树的外部节点也称为叶子结点。

10.属性（Attribute）：指决策树构造过程中的特征选择方式。通常包括所有可能文章来源地址https://uudwc.com/A/xGwnR