决策树法的概率是怎么确定的，决策树的覆盖率怎么计算出来
决策树法的可能性是咋确定的？
第一，要先了处理策树，决策树，就是一种把决策节点画成树的辅助决策工具，一种找寻优方案的画图法。
再来看可能性树，率树在决策树的基础上，增多了对条件出现可能性的预测，和对结果收益的评估，然后加权平均得到一个“希望值”，用这个希望值，作为依据，辅助决策。
两者是不一样的概念。
决策树的覆盖率怎么计算？
覆盖率＝(Ec/Io≥-12dBTx_Power≤15dBmRx_Power≥-90dBm)的采样点数/采样点总数×100％
决策树分类错误率怎么求？
用乐观和悲观的方式来计算泛化错误率。剪枝中的一个动作：将决策树的一个子树剪去
假设剪枝后的误差小于剪枝前的误差上限（悲观的误差），既然如此那，这个剪枝有效，就真的剪去这个分枝。
悲观误差就是从可能性上来说，大的误差，这个也叫做经度。
为什么要这样操作？
这里说的剪枝，就是要把一部分叶子节点去除。既然如此那，在全部的叶子节点中，去除什么叶子节点适合？
实际上就是去除那些对整个决策树的错误率奉献小的结点。回想一下我们训练决策树的过程，每分裂得到一个新的节点，错误率都会带来一定减少。
那么其实就是常说的说把对错误率奉献小的那些叶子节点去除就行了。
如何衡量叶子节点对整体错误率的奉献大小？
实际上就是算一下剪枝后的错误率，看看剪枝后的错误率会不会很大？假设很大，说明被剪枝掉的那些节点减少了不少的错误率，故此不可以把这些减少了不少错误率的节点剪枝了，就不剪枝了。
整体上是这个逻辑。
既然如此那，要详细做时，我们要确定剪枝后的错误率很大，如何确定这个很大？这个错误率大于多少算很大？
决策树做决策时，大多数情况下看落在什么地方个叶子节点上。落在什么地方个叶子节点上，就属于叶子节点对应的类别。
决策树法的过程介绍？
决策树法的哪些重要步骤是：
(1)画出决策树，画决策树的过程其实就是常说的对未来可能出现的各自不同的事件进行周密思考、预测的过程，把这些情况用树状图表示出来．先画决策点，再找方案分枝和方案点．后再画出可能性分枝。
(2)由专家估计法或用试验数据推测预计出可能性值．并把可能性写在可能性分枝的位置上。
(3)计算益损希望值，从树梢启动，由右向左的顺序进行．用希望值法计算．若决策目标是盈利时，比较各分枝，取希望值大的分枝，其他分枝进行修剪。
决策树分析法的步骤及优点？
（1）绘制决策树图。从左到右的顺序画决策树，此过程本身就是对决策问题的再分析过程。（2）按从右到左的顺序计算各方案的希望值，并将结果写在对应方案节点上方。希望值的计算是从右到左沿着决策树的反方向进行计算的。（3）对比各方案的希望值的大小，进行剪枝优选。在舍去备选方案枝上，用“=”记号隔断。
决策树分析是谁提出的？
1986年提出罗斯昆兰决策树分析概念，奉献于机器学习领域，30年后获高荣誉奖。
这里说的的决策树(Decision Tree）是在已知各自不同的情况出现可能性的基础上，通过构成决策树来求取净现值的希望值大于等于零的可能性，评价项目风险，判断其可行性的决策分析方式是直观运用可能性分析的一种图解法。因为这样的决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值当中的一种映射关系。
决策树的结果后面所标的数字代表？
假设是用于分类，代表的是类别标签；假设是回归，表示预测值
决策树法的优缺点？
决策树法优点：
决策树列出了决策问题的都可行方案和可能产生的各自不同的自然状态，还有各可行方式在各自不同的不一样状态下的希望值。能直观地显示整个决策问题在时间和决策顺序上不一样阶段的决策过程。在应用于复杂的多阶段决策时，阶段明显，层次了解，方便决策机构集体研究，可以周密地思考各自不同的原因，促进作出正确的决策。
决策树法缺点：
使用范围有限，没办法适用于一部分不可以用数量表示的决策；对各自不同的方案的产生可能性的确定有的时候，主观性很大，可能致使决策失误；等等。
决策树法的优点：
1.决策树法易理解，机理解释起来简单；
2.决策树法可以⽤于⼩数据集；
3.决策树法时间复杂度较⼩，为⽤于训练决策树的数据点的对数；
4.相⽐于其他算法智能分析⼀种类型变量，决策树法可处理数字和数据的类别；
5.可以处理多输出的问题；
6.对缺失值不敏感；
7.可以处理不有关特点数据；
8.效率⾼，决策树只⼀次构建，反复使⽤，每⼀次预测的⼤计算次数不能超出决策树的深度。
决策树法的缺点：
1.对连续性的字段⽐相对比较难预测；
2.容易产生过拟合；
3.当类别太多时，错误可能就可以增多的⽐较快；
4.在处理特点关联性⽐很强的数据时表现得不是太好；
5.针对各种别样本数量不⼀致的数据，在决策树当中，信息增益的结果偏向于那些具有更多数值的特点。
