Python AI教程之十六：监督学习之决策树（7）和其它算法的比较
ML | 逻辑回归与决策树分类
逻辑回归和决策树分类是目前最流行和最基本的两种分类算法。没有哪种算法比另一种更好，而一种算法的优越性通常归功于所处理数据的性质。
我们可以在不同类别上比较这两种算法——
| 标准 |
逻辑回归 |
决策树分类 |
| 可解释性 |
难以解释 |
更易于解释 |
| 决策边界 |
线性和单一决策边界 |
将空间一分为二，形成更小的空间 |
| 易于决策 |
必须设定决策阈值 |
自动处理决策 |
| 过度拟合 |
不易过度拟合 |
容易过度拟合 |
| 抗噪声能力 |
抗噪声 |
受噪音影响较大 |
| 可扩展性 |
需要足够大的训练集 |
可以在小型训练集上进行训练 |
随机森林和决策树之间的区别
在机器学习中，选择合适的模型至关重要。对一种数据集运行良好的模型可能对另一种数据集运行不佳。随机森林和决策树都是涉及回归和分类应用的强大算法。这里介绍决策树和随机森林之间的区别。
什么是决策树？
决策树是一种非常流行的监督机器学习算法，用于回归和分类问题。在决策树中，构建了一个类似流程图的结构，其中每个内部节点表示特征，使用分支表示规则，叶子表示算法的最终结果。
什么是随机森林？
随机森林是一种非常强大的监督机器学习算法，用于分类和回归任务。随机森林使用集成学习（结合多个模型/分类器来解决复杂问题并提高模型的整体准确度）。在随机森林中，通过考虑给定数据的不同子集和所有这些子集的平均值来构建多个决策树，以提高模型的整体准确性。随着随机森林中决策树数量的增加，准确度也会提高，过度拟合也会减少。
随机森林与决策树
| 财产 |
随机森林 |
决策树 |
| 自然 |
多棵决策树的集成 |
单决策树 |
| 可解释性 |
由于集合性质，解释性较差。 |
高度可解释性。 |
| 过度拟合 |