18.3.1 作为执行元件的决策树
一棵决策树将用属性集合描述的事物或情景作为输入，并返回一个“决策”——针对输入的预测输出值。输入的属性可以是离散的，也可以是连续的。我们暂时假设是离散的输入。输出值也可以是离散的或是连续的；学习一个离散值函数，被称为分类学习；学习一个连续函数则称为回归。我们将集中于布尔分类，其中每个实例被分为真（正）或假（反）两类。
一棵决策树通过执行一个测试序列得到它的决策。树中的每个内部节点对应于一个属性值的测试，从节点出发的分支被标记上可能的测试值。每个叶节点指定了当到达该叶节点时要返回的值。决策树的表示方法看起来对人而言是很自然的；确实，很多介绍“怎么做”的手册（例如，汽车修理手册）都是整个写成一棵跨越数百页的单一决策树的。
一个多少简单些的例子是由判断是否要在餐馆等座位的问题提供的。这里的目的是学习对于目标谓词WillWait的定义。为了建立这个学习问题，我们必须首先规定哪些属性可用于描述该领域内的实例。在第十九章中，我们将看到如何使该任务自动执行。目前，让我们假设是在如下属性的列表基础上进行决策的：
1．Alternate（改变）：附近是否有另一家合适的餐馆。
2．Bar（酒吧）：该餐馆中供顾客等候的酒吧区是否舒适。
3．Fri/Sat（周五/周六）：若是周五或周六，则为真。
4．Hungry（饥饿）：我们是否饥饿。
5．Patrons（顾客）：该餐馆中有多少顾客（值为None（没人）、Some（一些）或Full（满座））。
6．Price（价格）：餐馆的价格范围（$，$$，$$$）。
7．Raining（下雨）：外面是否在下雨。
8．Reservation（预约）：我们是否预约过。
9．Ty p e（类型）：餐馆的种类（法式、意大利式、泰式或汉堡店）。
10．WaitEstimate（等候时间估计）：餐馆主人估计的等候时间（0～10分钟，10～30，30～60，＞60）。
我们中的一员（SR——斯图尔特·罗素，本书的第一作者）对该领域通常采用的决策树如图 18.2 所示。注意这棵树并没有用到Price和Type这两个属性，实际上是考虑到它们与该问题无关。实例是从树的根节点开始处理的，并沿着适当的分支到达叶节点。例如，Patrons=Full而且WaitEstimate=0～10的实例会被分类为正例（即“是”，我们要等座位）。
图18.2 决定是否要等座位的决策树
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
