A02 · 第 3 章 · 课程规划页
决策树、划分准则与剪枝
本章研究决策树、划分准则与剪枝。内容依次处理信息增益、基尼指数与候选切分、递归生长、叶节点预测与缺失特征、代价复杂度剪枝与高方差失效。
- 所在 Part
- 第二编 树模型
- 预计学习
- 40 分钟
- 建设状态
- 已规划，尚无正式正文
计划实验
本章未登记独立交互实验；定义、公式和例题仍按下列提纲规划。
LEARNING OBJECTIVES
完成本章后应能
- 01准确说明信息增益、基尼指数与候选切分。
- 02完成递归生长、叶节点预测与缺失特征所需的推导、证明或算法。
- 03使用计算、例题或反例检验代价复杂度剪枝与高方差失效。
PLANNED SECTIONS
计划章节结构
- 01
信息增益、基尼指数与候选切分
界定信息增益、基尼指数与候选切分，明确使用的条件、主要结论与可复核步骤。
- 02
递归生长、叶节点预测与缺失特征
推导递归生长、叶节点预测与缺失特征，明确使用的条件、主要结论与可复核步骤。
- 03
代价复杂度剪枝与高方差失效
检验代价复杂度剪枝与高方差失效，明确使用的条件、主要结论与可复核步骤。
计划定义
信息增益、基尼指数与候选切分：对象、记号与前提
围绕信息增益、基尼指数与候选切分列出主要对象、符号、前提与定义边界。
计划公式
递归生长、叶节点预测与缺失特征：关系、判据与可复核步骤
把递归生长、叶节点预测与缺失特征整理为可检查的关系、判据或算法步骤；涉及定量模型时写出公式，并说明符号、适用条件，以及需要时的单位或复杂度。
计划例题
代价复杂度剪枝与高方差失效：案例、反例与核验
围绕代价复杂度剪枝与高方差失效给出明确输入、前提或数据，逐步分析并用反例、误差、守恒量或边界条件复核。
计划练习
决策树、划分准则与剪枝：定义、关系与边界综合练习
联结信息增益、基尼指数与候选切分、递归生长、叶节点预测与缺失特征与代价复杂度剪枝与高方差失效，分别检验定义辨析、主要步骤和适用边界。
本章概念落点
以下位置是术语、搜索和知识图谱引用本计划章节时使用的稳定链接。
- 决策树递归选择特征划分样本空间，并用纯度、深度和剪枝控制拟合复杂度。
关键词
决策树、划分准则、剪枝、第二编 树模型、核方法、树模型与集成学习