Android OpenCV（六十八）：决策树

前言

监督学习与非监督学习

监督学习（supervised learning） 的任务是学习一个模型，使模型能够对任意给定的输入，对其相应的输出做出一个好的预测。换言之，利用训练数据集学习一个模型，再用模型对测试样本集进行预测。分类问题（离散）与回归问题（连续）等都是监督学习，如KNN、决策树和随机森林等。
非监督学习（unsupervised learning） 则是直接对数据进行建模。没有给定事先标记过的训练范例，所用的数据没有属性或标签这一概念。自动对输入的资料进行分类或分群，以寻找数据的模型和规律。聚类算法就是典型的非监督学习，如 K均值（Kmeans）。

决策树

决策树是一种用于分类和回归任务的非参数监督学习算法。 它是一种分层树形结构，由根节点、分支、内部节点和叶节点组成。决策树有许多不同版本，典型版本是最早出现的ID3算法，以及对其进行改进后形成的C4.5算法，这两种算法可用于分类。对ID3算法改进的另一个分支为”分类和回归树“，即CART算法，可用于分类或回归。CART算法为随机森林和Boosting等重要算法提供了基础。在OpenCV中，决策树实现的是CART算法。