（五）基于决策树模型分析不同人群对于金寨电商模式的认可程度
1.模型的准备
决策树算法是一种用于归纳分类的算法，它通过对训练集的学习，挖掘有用的规则，用于对新集进行预测。决策树是一种用于对实例进行分类的树形结构。决策树由节点（node）和有向边（directed edge）组成。节点的类型有两种：内部节点和叶子节点。其中，内部节点表示一个特征或属性的测试条件（用于分开具有不同特性的记录），叶子节点表示一个分类。决策树构建的原理是通过对各个属性的不断划分使得决策树的分支节点所包含的样本尽量属于同一类别，即节点的纯度越来越高，而决策树构建的关键在于纯度的度量。CART分类树算法使用基尼系数代表模型的纯度，基尼系数越小，则不纯度越低，特征越好。
分类树中，假设某个样本空间有k类，对于生成好的一颗决策树的某叶子节点，假定该叶结点含有样本数目为m，可以分别统计该叶子节点下每个分类的频数 。每个类别的概率 ，于是这个叶子节点的信息熵就是 。信息熵越小，系统的区分度越明显。所以最终对于一棵分类树的评价可以用下面的公式来评判（ 叶子节点的权重，可以更具样本数目来决定）： 。对于不同的算法，并不完全都是用信息熵，也可以采用基尼系数来代替信息熵。具体的，假设一K类样本占全部样本的比值为
http://www.dxsbao.com/shijian/547705.html 点此复制本页地址
