正文

網頁分類算法（網頁分類算法有哪些）

發(fā)布時間：2023-03-26 00:30:02 稿源：創(chuàng)意嶺閱讀： 1245 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于網頁分類算法的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內容，越精準，寫出的就越詳細，有微信小程序端、在線網頁版、PC客戶端

官網：https://ai.de1919.com

創(chuàng)意嶺作為行業(yè)內優(yōu)秀企業(yè)，服務客戶遍布全國，網絡營銷相關業(yè)務請撥打175-8598-2043，或微信：1454722008

本文目錄:

1、蜘蛛爬蟲的原理和作用
2、爬蟲抓取究竟是什么？
3、怎么防止瀏覽網頁以及網站中病毒和木馬（謝絕不要進入不健康網站的回答）
4、機器學習有哪些算法

網頁分類算法（網頁分類算法有哪些）

一、蜘蛛爬蟲的原理和作用

關于搜索引擎的大話還是少說些，下面開始正文搜索引擎蜘蛛爬蟲原理：

1 聚焦爬蟲工作原理及關鍵技術概述

網絡爬蟲是一個自動提取網頁的程序，它為搜索引擎從Internet網上下載網頁，是搜索引擎的重要組成。傳統爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統的一定停止條件。聚焦爬蟲的工作流程較為復雜，需要根據一定的網頁分析算法過濾與主題無關的鏈接，保留有用的鏈接并將其放入等待抓取的URL隊列。然后，它將根據一定的搜索策略從隊列中選擇下一步要抓取的網頁URL，并重復上述過程，直到達到系統的某一條件時停止，另外，所有被爬蟲抓取的網頁將會被系統存貯，進行一定的分析、過濾，并建立索引，以便之后的查詢和檢索；對于聚焦爬蟲來說，這一過程所得到的分析結果還可能對以后的抓取過程給出反饋和指導。

相對于通用網絡爬蟲，聚焦爬蟲還需要解決三個主要問題：

(1) 對抓取目標的描述或定義；

(2) 對網頁或數據的分析與過濾；

(3) 對URL的搜索策略。

抓取目標的描述和定義是決定網頁分析算法與URL搜索策略如何制訂的基礎。而網頁分析算法和候選URL排序算法是決定搜索引擎所提供的服務形式和爬蟲網頁抓取行為的關鍵所在。這兩個部分的算法又是緊密相關的。

2 抓取目標描述

現有聚焦爬蟲對抓取目標的描述可分為基于目標網頁特征、基于目標數據模式和基于領域概念3種。

基于目標網頁特征的爬蟲所抓取、存儲并索引的對象一般為網站或網頁。根據種子樣本獲取方式可分為：

（1）預先給定的初始抓取種子樣本；

（2）預先給定的網頁分類目錄和與分類目錄對應的種子樣本，如Yahoo!分類結構等；

（3）通過用戶行為確定的抓取目標樣例，分為：

a) 用戶瀏覽過程中顯示標注的抓取樣本；

b) 通過用戶日志挖掘得到訪問模式及相關樣本。

其中，網頁特征可以是網頁的內容特征，也可以是網頁的鏈接結構特征，等等。

現有的聚焦爬蟲對抓取目標的描述或定義可以分為基于目標網頁特征，基于目標數據模式和基于領域概念三種。

基于目標網頁特征的爬蟲所抓取、存儲并索引的對象一般為網站或網頁。具體的方法根據種子樣本的獲取方式可以分為：（1）預先給定的初始抓取種子樣本；（2）預先給定的網頁分類目錄和與分類目錄對應的種子樣本，如Yahoo!分類結構等；（3）通過用戶行為確定的抓取目標樣例。其中，網頁特征可以是網頁的內容特征，也可以是網頁的鏈接結構特征，等等。

基于目標數據模式的爬蟲針對的是網頁上的數據，所抓取的數據一般要符合一定的模式，或者可以轉化或映射為目標數據模式。

另一種描述方式是建立目標領域的本體或詞典，用于從語義角度分析不同特征在某一主題中的重要程度。

3 網頁搜索策略

網頁的抓取策略可以分為深度優(yōu)先、廣度優(yōu)先和最佳優(yōu)先三種。深度優(yōu)先在很多情況下會導致爬蟲的陷入(trapped)問題，目前常見的是廣度優(yōu)先和最佳優(yōu)先方法。

3.1 廣度優(yōu)先搜索策略

廣度優(yōu)先搜索策略是指在抓取過程中，在完成當前層次的搜索后，才進行下一層次的搜索。該算法的設計和實現相對簡單。在目前為覆蓋盡可能多的網頁，一般使用廣度優(yōu)先搜索方法。也有很多研究將廣度優(yōu)先搜索策略應用于聚焦爬蟲中。其基本思想是認為與初始URL在一定鏈接距離內的網頁具有主題相關性的概率很大。另外一種方法是將廣度優(yōu)先搜索與網頁過濾技術結合使用，先用廣度優(yōu)先策略抓取網頁，再將其中無關的網頁過濾掉。這些方法的缺點在于，隨著抓取網頁的增多，大量的無關網頁將被下載并過濾，算法的效率將變低。

3.2 最佳優(yōu)先搜索策略

最佳優(yōu)先搜索策略按照一定的網頁分析算法，預測候選URL與目標網頁的相似度，或與主題的相關性，并選取評價最好的一個或幾個URL進行抓取。它只訪問經過網頁分析算法預測為“有用”的網頁。存在的一個問題是，在爬蟲抓取路徑上的很多相關網頁可能被忽略，因為最佳優(yōu)先策略是一種局部最優(yōu)搜索算法。因此需要將最佳優(yōu)先結合具體的應用進行改進，以跳出局部最優(yōu)點。將在第4節(jié)中結合網頁分析算法作具體的討論。研究表明，這樣的閉環(huán)調整可以將無關網頁數量降低30%~90%。

4 網頁分析算法

網頁分析算法可以歸納為基于網絡拓撲、基于網頁內容和基于用戶訪問行為三種類型。

4.1 基于網絡拓撲的分析算法

基于網頁之間的鏈接，通過已知的網頁或數據，來對與其有直接或間接鏈接關系的對象（可以是網頁或網站等）作出評價的算法。又分為網頁粒度、網站粒度和網頁塊粒度這三種。

4.1.1 網頁(Webpage)粒度的分析算法

PageRank和HITS算法是最常見的鏈接分析算法，兩者都是通過對網頁間鏈接度的遞歸和規(guī)范化計算，得到每個網頁的重要度評價。PageRank算法雖然考慮了用戶訪問行為的隨機性和Sink網頁的存在，但忽略了絕大多數用戶訪問時帶有目的性，即網頁和鏈接與查詢主題的相關性。針對這個問題，HITS算法提出了兩個關鍵的概念：權威型網頁（authority）和中心型網頁（hub）。

基于鏈接的抓取的問題是相關頁面主題團之間的隧道現象，即很多在抓取路徑上偏離主題的網頁也指向目標網頁，局部評價策略中斷了在當前路徑上的抓取行為。文獻[21]提出了一種基于反向鏈接（BackLink）的分層式上下文模型（Context Model），用于描述指向目標網頁一定物理跳數半徑內的網頁拓撲圖的中心Layer0為目標網頁，將網頁依據指向目標網頁的物理跳數進行層次劃分，從外層網頁指向內層網頁的鏈接稱為反向鏈接。

4.1.2 網站粒度的分析算法

網站粒度的資源發(fā)現和管理策略也比網頁粒度的更簡單有效。網站粒度的爬蟲抓取的關鍵之處在于站點的劃分和站點等級(SiteRank)的計算。SiteRank的計算方法與PageRank類似，但是需要對網站之間的鏈接作一定程度抽象，并在一定的模型下計算鏈接的權重。

網站劃分情況分為按域名劃分和按IP地址劃分兩種。文獻[18]討論了在分布式情況下，通過對同一個域名下不同主機、服務器的IP地址進行站點劃分，構造站點圖，利用類似PageRank的方法評價SiteRank。同時，根據不同文件在各個站點上的分布情況，構造文檔圖，結合SiteRank分布式計算得到DocRank。文獻[18]證明，利用分布式的SiteRank計算，不僅大大降低了單機站點的算法代價，而且克服了單獨站點對整個網絡覆蓋率有限的缺點。附帶的一個優(yōu)點是，常見PageRank 造假難以對SiteRank進行欺騙。

4.1.3 網頁塊粒度的分析算法

在一個頁面中，往往含有多個指向其他頁面的鏈接，這些鏈接中只有一部分是指向主題相關網頁的，或根據網頁的鏈接錨文本表明其具有較高重要性。但是，在PageRank和HITS算法中，沒有對這些鏈接作區(qū)分，因此常常給網頁分析帶來廣告等噪聲鏈接的干擾。在網頁塊級別(Blocklevel)進行鏈接分析的算法的基本思想是通過VIPS網頁分割算法將網頁分為不同的網頁塊(page block)，然后對這些網頁塊建立pagetoblock和blocktopage的鏈接矩陣，分別記為Z和X。于是，在pagetopage圖上的網頁塊級別的PageRank為Wp=X×Z；在blocktoblock圖上的BlockRank為Wb=Z×X。已經有人實現了塊級別的PageRank和HITS算法，并通過實驗證明，效率和準確率都比傳統的對應算法要好。

4.2 基于網頁內容的網頁分析算法

基于網頁內容的分析算法指的是利用網頁內容（文本、數據等資源）特征進行的網頁評價。網頁的內容從原來的以超文本為主，發(fā)展到后來動態(tài)頁面（或稱為Hidden Web）數據為主，后者的數據量約為直接可見頁面數據（PIW，Publicly Indexable Web）的400~500倍。另一方面，多媒體數據、Web Service等各種網絡資源形式也日益豐富。因此，基于網頁內容的分析算法也從原來的較為單純的文本檢索方法，發(fā)展為涵蓋網頁數據抽取、機器學習、數據挖掘、語義理解等多種方法的綜合應用。本節(jié)根據網頁數據形式的不同，將基于網頁內容的分析算法，歸納以下三類：第一種針對以文本和超鏈接為主的無結構或結構很簡單的網頁；第二種針對從結構化的數據源（如RDBMS）動態(tài)生成的頁面，其數據不能直接批量訪問；第三種針對的數據界于第一和第二類數據之間，具有較好的結構，顯示遵循一定模式或風格，且可以直接訪問。

二、爬蟲抓取究竟是什么？

就是從網頁中，提取出結構化數據。另外的特點，就是自動化，節(jié)省人力。通過訪問網站然后獲取到你想要的信息。

簡要地說爬蟲抓取的是數據或信息。根據不同的行業(yè)及應用，爬蟲所抓取的數據各有不同的偏重，一般來說是業(yè)務需要那些數據，那抓取對應的數據回來，再經過清洗、轉化等步驟促進業(yè)務增長與輔助決策。

抓取目標分類

抓取目標的描述和定義是決定網頁分析算法與URL搜索策略如何制訂的基礎。而網頁分析算法和候選URL排序算法是決定搜索引擎所提供的服務形式和爬蟲網頁抓取行為的關鍵所在。這兩個部分的算法又是緊密相關的。

現有聚焦爬蟲對抓取目標的描述可分為基于目標網頁特征、基于目標數據模式和基于領域概念3種。

1、基于目標網頁特征

基于目標網頁特征的爬蟲所抓取、存儲并索引的對象一般為網站或網頁。根據種子樣本獲取方式可分為：

（1）預先給定的初始抓取種子樣本。

（2）預先給定的網頁分類目錄和與分類目錄對應的種子樣本，如Yahoo!分類結構等。

（3）通過用戶行為確定的抓取目標樣例，分為：用戶瀏覽過程中顯示標注的抓取樣本；通過用戶日志挖掘得到訪問模式及相關樣本。

其中，網頁特征可以是網頁的內容特征，也可以是網頁的鏈接結構特征，等等。

2、基于目標數據模式

基于目標數據模式的爬蟲針對的是網頁上的數據，所抓取的數據一般要符合一定的模式，或者可以轉化或映射為目標數據模式。

3、基于領域概念

另一種描述方式是建立目標領域的本體或詞典，用于從語義角度分析不同特征在某一主題中的重要程度。

三、怎么防止瀏覽網頁以及網站中病毒和木馬（謝絕不要進入不健康網站的回答）

權限是計算機應用中一個非常重要的概念，普通的用戶在使用中可能早已淡化了權限的真正意義，每個人都在用admin級別的賬號，同樣，網絡上的病毒、

木馬

也和你一起分享這個權限，于是瀏覽器甚至是系統的滅頂之災就在所難免了。

如果把IE運行權限降低，一些惡意網頁的動作也就不能順利完成了。

最簡單的辦法是換個身份運行IE，在CMD下運行命令“net user bigfrog 123456 /add”，建立一個用戶名為bigfrog，密碼為123456的受限帳戶，以后使用這個帳戶上網即可。

創(chuàng)建受限賬戶

接下來在桌面上建立一個IE快捷方式（使用IE快捷方式向導，不要使用桌面IE創(chuàng)建），右擊快捷方式選擇“運行方式”，在打開的運行身份窗口單選“下列用戶”，然后輸入上述受限帳戶的名稱和密碼，單擊“確定”，這樣啟動IE的用戶就是受限帳戶bigfrog。

這樣再次運行IE等同于換一個身份后重新登錄運行一樣，原來用戶的收藏夾、Cookies等并不會加載。同樣，網絡上的攻擊也只針對這個賬戶為對象，和我們的admin系統是沒有關系的。

現在你可以用受限用戶身份來測試一下。比如你遇到一個惡意代碼的網站，再次用bigfrog的IE登錄一下，系統會提示沒有權限更改配置。而對于那些捆綁了插件的網站，即使我們被強行

下載這個軟件并安裝，系統仍然會提示無法安裝。

插件無法運行

對于權限限制的方式，我們在這里再引申一下，告訴大家知道運行的具體模式。其實系統是調用runas方式在模擬新用戶的運行狀態(tài)。比如輸入“runas /user:bigfrog "C:\Program Files\Internet Explorer\IEXPLORE.EXE"”，一樣可以達到效果，同理，我們可以把容易遭受攻擊的程序都以這種方式運行。

上面的方法雖然不錯，但最麻煩的地方就是創(chuàng)建用戶，我們知道如果有很多用戶的話，不但管理起來麻煩，而且很有可能帶來更多的系統危機，這里推薦大家使用DropMyRights（

點擊下載

）。

使用默認安裝方式，具體的使用語法如下：DropMyRights [N|C|U]

path是指應用程序的路徑，N指基本用戶，C指受限用戶，U是指不信任用戶。如果要以受限用戶身份運行IE瀏覽器，右擊桌面IE的快捷方式，然后在屬性窗口的“目標”框輸入“"C:\DropMyRights\DropMyRights.exe" "C:\Program Files\Internet Explorer\IEXPLORE.EXE" C”，以后運行這個快捷方式就可以用受限用戶身份運行IE。同樣的，像OE、IM等病毒喜歡的對象，也可以用DropMyRights限制一下再運行。

四、機器學習有哪些算法

樸素貝葉斯分類器算法是最受歡迎的學習方法之一，按照相似性分類，用流行的貝葉斯概率定理來建立機器學習模型，特別是用于疾病預測和文檔分類。它是基于貝葉斯概率定理的單詞的內容的主觀分析的簡單分類。

什么時候使用機器學習算法 - 樸素貝葉斯分類器？

（1）如果您有一個中等或大的訓練數據集。

（2）如果實例具有幾個屬性。

（3）給定分類參數，描述實例的屬性應該是條件獨立的。

A．樸素貝葉斯分類器的應用

（1）情緒分析 - 用于Facebook分析表示積極或消極情緒的狀態(tài)更新。

（2）文檔分類 - Google使用文檔分類來索引文檔并查找相關性分數，即PageRank。 PageRank機制考慮在使用文檔分類技術解析和分類的數據庫中標記為重要的頁面。

（3）樸素貝葉斯算法也用于分類關于技術，娛樂，體育，政治等的新聞文章。

（4）電子郵件垃圾郵件過濾 - Google Mail使用NaïveBayes算法將您的電子郵件歸類為垃圾郵件或非垃圾郵件。

B．樸素貝葉斯分類器機器學習算法的優(yōu)點

（1）當輸入變量是分類時，樸素貝葉斯分類器算法執(zhí)行得很好。

（2）當樸素貝葉斯條件獨立假設成立時，樸素貝葉斯分類器收斂更快，需要相對較少的訓練數據，而不像其他判別模型，如邏輯回歸。

（3）使用樸素貝葉斯分類器算法，更容易預測測試數據集的類。多等級預測的好賭注。

（4）雖然它需要條件獨立假設，但是樸素貝葉斯分類器在各種應用領域都表現出良好的性能。

Python中的數據科學庫實現NaïveBayes - Sci-Kit學習

數據科學圖書館在R實施樸素貝葉斯 - e1071

3.2 K均值聚類算法

K-means是用于聚類分析的普遍使用的無監(jiān)督機器學習算法。 K-Means是一種非確定性和迭代的方法。該算法通過預定數量的簇k對給定數據集進行操作。 K Means算法的輸出是具有在簇之間分割的輸入數據的k個簇。

例如，讓我們考慮維基百科搜索結果的K均值聚類。維基百科上的搜索詞“Jaguar”將返回包含Jaguar這個詞的所有頁面，它可以將Jaguar稱為Car，Jaguar稱為Mac OS版本，Jaguar作為動物。 K均值聚類算法可以應用于對描述類似概念的網頁進行分組。因此，算法將把所有談論捷豹的網頁作為一個動物分組到一個集群，將捷豹作為一個汽車分組到另一個集群，等等。

A．使用K-means聚類機學習算法的優(yōu)點

（1）在球狀簇的情況下，K-Means產生比層級聚類更緊密的簇。

（2）給定一個較小的K值，K-Means聚類計算比大量變量的層次聚類更快。

B．K-Means聚類的應用

K Means Clustering算法被大多數搜索引擎（如Yahoo，Google）用于通過相似性對網頁進行聚類，并識別搜索結果的“相關率”。這有助于搜索引擎減少用戶的計算時間。

Python中的數據科學庫實現K均值聚類 - SciPy，Sci-Kit學習，Python包裝

數據科學庫中的R實現K均值聚類 - 統計

3.3 支持向量機學習算法

支持向量機是一種分類或回歸問題的監(jiān)督機器學習算法，其中數據集教導關于類的SVM，以便SVM可以對任何新數據進行分類。它通過找到將訓練數據集分成類的線（超平面）將數據分類到不同的類中來工作。由于存在許多這樣的線性超平面，SVM算法嘗試最大化所涉及的各種類之間的距離，并且這被稱為邊際最大化。如果識別出最大化類之間的距離的線，則增加對未看見數據良好推廣的概率。

A．SVM分為兩類：

線性SVM - 在線性SVM中，訓練數據，即分類器由超平面分離。

非線性SVM在非線性SVM中，不可能使用超平面來分離訓練數據。例如，用于面部檢測的訓練數據由作為面部的一組圖像和不是面部的另一組圖像（換句話說，除了面部之外的所有其他圖像）組成。在這種條件下，訓練數據太復雜，不可能找到每個特征向量的表示。將面的集合與非面的集線性分離是復雜的任務。

B．使用SVM的優(yōu)點

（1）SVM對訓練數據提供最佳分類性能（精度）。

（2）SVM為未來數據的正確分類提供了更高的效率。

（3）SVM的最好的事情是它不對數據做任何強有力的假設。

（4）它不會過度擬合數據。

C．支持向量機的應用

（1）SVM通常用于各種金融機構的股票市場預測。例如，它可以用來比較股票相對于同一行業(yè)中其他股票的表現的相對表現。股票的相對比較有助于管理基于由SVM學習算法做出的分類的投資決策。

（2）Python中的數據科學庫實現支持向量機-SciKit學習，PyML，SVMStruct Python，LIBSVM

（3）R中的數據科學庫實現支持向量機 - klar，e1071

3.4 Apriori機器學習算法

Apriori算法是無監(jiān)督機器學習算法，其從給定數據集生成關聯規(guī)則。關聯規(guī)則意味著如果項目A出現，則項目B也以一定概率出現。生成的大多數關聯規(guī)則采用IF_THEN格式。例如，如果人們買了一個iPad，他們還買了一個iPad保護套。為了得到這樣的結論的算法，它首先觀察購買iPad的人購買iPad的人數。這樣一來，比例就像100個購買iPad的人一樣，85個人還購買了一個iPad案例。

A．Apriori機器學習算法的基本原理：

如果項集合頻繁出現，則項集合的所有子集也頻繁出現。

如果項集合不經常出現，則項集合的所有超集都不經常出現。

B．先驗算法的優(yōu)點

（1）它易于實現并且可以容易地并行化。

（2）Apriori實現使用大項目集屬性。

C.Apriori算法應用

檢測不良藥物反應

Apriori算法用于關于醫(yī)療數據的關聯分析，例如患者服用的藥物，每個患者的特征，不良的不良反應患者體驗，初始診斷等。該分析產生關聯規(guī)則，其幫助識別患者特征和藥物的組合導致藥物的不良副作用。

市場籃子分析

許多電子商務巨頭如亞馬遜使用Apriori來繪制數據洞察，哪些產品可能是一起購買，哪些是最響應促銷。例如，零售商可能使用Apriori預測購買糖和面粉的人很可能購買雞蛋來烘烤蛋糕。

自動完成應用程序

Google自動完成是Apriori的另一個流行的應用程序，其中 - 當用戶鍵入單詞時，搜索引擎尋找人們通常在特定單詞之后鍵入的其他相關聯的單詞。

Python中的數據科學庫實現Apriori機器學習算法 - 在PyPi中有一個python實現Apriori

數據科學庫在R中實現Apriori機器學習算法 – arules

3.5 線性回歸機器學習算法

線性回歸算法顯示了2個變量之間的關系，以及一個變量中的變化如何影響另一個變量。該算法顯示了在改變自變量時對因變量的影響。自變量被稱為解釋變量，因為它們解釋了因變量對因變量的影響。依賴變量通常被稱為感興趣的因子或預測因子。

A．線性回歸機器學習算法的優(yōu)點

（1）它是最可解釋的機器學習算法之一，使得它很容易解釋給別人。

（2）它易于使用，因為它需要最小的調諧。

（3）它是最廣泛使用的機器學習技術運行快。

B．線性回歸算法應用

估計銷售額

線性回歸在業(yè)務中有很大的用途，基于趨勢的銷售預測。如果公司每月的銷售額穩(wěn)步增長 - 對月度銷售數據的線性回歸分析有助于公司預測未來幾個月的銷售額。

風險評估

線性回歸有助于評估涉及保險或金融領域的風險。健康保險公司可以對每個客戶的索賠數量與年齡進行線性回歸分析。這種分析有助于保險公司發(fā)現，老年顧客傾向于提出更多的保險索賠。這樣的分析結果在重要的商業(yè)決策中起著至關重要的作用，并且是為了解決風險。

Python中的數據科學庫實現線性回歸 - statsmodel和SciKit

R中的數據科學庫實現線性回歸 - 統計

3.6 決策樹機器學習算法

你正在制作一個周末計劃，去訪問最好的餐館在城里，因為你的父母訪問，但你是猶豫的決定在哪家餐廳選擇。每當你想去一家餐館，你問你的朋友提利昂如果他認為你會喜歡一個特定的地方。為了回答你的問題，提利昂首先要找出，你喜歡的那種餐館。你給他一個你去過的餐館列表，告訴他你是否喜歡每個餐廳（給出一個標記的訓練數據集）。當你問提利昂你是否想要一個特定的餐廳R，他問你各種問題，如“是”R“屋頂餐廳？”，“餐廳”R“服務意大利菜嗎？”，現場音樂？“，”餐廳R是否營業(yè)至午夜？“等等。提利昂要求您提供幾個信息問題，以最大限度地提高信息收益，并根據您對問卷的答案給予YES或NO回答。這里Tyrion是你最喜歡的餐廳偏好的決策樹。

決策樹是一種圖形表示，其使用分支方法來基于某些條件來例示決策的所有可能的結果。在決策樹中，內部節(jié)點表示對屬性的測試，樹的每個分支表示測試的結果，葉節(jié)點表示特定類標簽，即在計算所有屬性之后作出的決定。分類規(guī)則通過從根到葉節(jié)點的路徑來表示。

A．決策樹的類型

（1）分類樹 - 這些被視為用于基于響應變量將數據集分成不同類的默認種類的決策樹。這些通常在響應變量本質上是分類時使用。

（2）回歸樹 - 當響應或目標變量是連續(xù)或數字時，使用回歸樹。與分類相比，這些通常用于預測類型的問題。

根據目標變量的類型 - 連續(xù)變量決策樹和二進制變量決策樹，決策樹也可以分為兩種類型。它是有助于決定對于特定問題需要什么樣的決策樹的目標變量。

B．為什么選擇決策樹算法？

（1）這些機器學習算法有助于在不確定性下作出決策，并幫助您改善溝通，因為他們提供了決策情況的可視化表示。

（2）決策樹機器學習算法幫助數據科學家捕獲這樣的想法：如果采取了不同的決策，那么情境或模型的操作性質將如何劇烈變化。

（3）決策樹算法通過允許數據科學家遍歷前向和后向計算路徑來幫助做出最佳決策。

C．何時使用決策樹機器學習算法

（1）決策樹對錯誤是魯棒的，并且如果訓練數據包含錯誤，則決策樹算法將最適合于解決這樣的問題。

（2）決策樹最適合于實例由屬性值對表示的問題。

（3）如果訓練數據具有缺失值，則可以使用決策樹，因為它們可以通過查看其他列中的數據來很好地處理丟失的值。

（4）當目標函數具有離散輸出值時，決策樹是最適合的。

D.決策樹的優(yōu)點

（1）決策樹是非常本能的，可以向任何人輕松解釋。來自非技術背景的人，也可以解釋從決策樹繪制的假設，因為他們是不言自明的。

（2）當使用決策樹機器學習算法時，數據類型不是約束，因為它們可以處理分類和數值變量。

（3）決策樹機器學習算法不需要對數據中的線性進行任何假設，因此可以在參數非線性相關的情況下使用。這些機器學習算法不對分類器結構和空間分布做出任何假設。

（4）這些算法在數據探索中是有用的。決策樹隱式執(zhí)行特征選擇，這在預測分析中非常重要。當決策樹適合于訓練數據集時，在其上分割決策樹的頂部的節(jié)點被認為是給定數據集內的重要變量，并且默認情況下完成特征選擇。

（5）決策樹有助于節(jié)省數據準備時間，因為它們對缺失值和異常值不敏感。缺少值不會阻止您拆分構建決策樹的數據。離群值也不會影響決策樹，因為基于分裂范圍內的一些樣本而不是準確的絕對值發(fā)生數據分裂。

E.決策樹的缺點

（1）樹中決策的數量越多，任何預期結果的準確性越小。

（2）決策樹機器學習算法的主要缺點是結果可能基于預期。當實時做出決策時，收益和產生的結果可能與預期或計劃不同。有機會，這可能導致不現實的決策樹導致錯誤的決策。任何不合理的期望可能導致決策樹分析中的重大錯誤和缺陷，因為并不總是可能計劃從決策可能產生的所有可能性。

（3）決策樹不適合連續(xù)變量，并導致不穩(wěn)定性和分類高原。

（4）與其他決策模型相比，決策樹很容易使用，但是創(chuàng)建包含幾個分支的大決策樹是一個復雜和耗時的任務。

（5）決策樹機器學習算法一次只考慮一個屬性，并且可能不是最適合于決策空間中的實際數據。

（6）具有多個分支的大尺寸決策樹是不可理解的，并且造成若干呈現困難。

F.決策樹機器學習算法的應用

（1）決策樹是流行的機器學習算法之一，它在財務中對期權定價有很大的用處。

（2）遙感是基于決策樹的模式識別的應用領域。

（3）銀行使用決策樹算法按貸款申請人違約付款的概率對其進行分類。

（4）Gerber產品公司，一個流行的嬰兒產品公司，使用決策樹機器學習算法來決定他們是否應繼續(xù)使用塑料PVC（聚氯乙烯）在他們的產品。

（5）Rush大學醫(yī)學中心開發(fā)了一個名為Guardian的工具，它使用決策樹機器學習算法來識別有風險的患者和疾病趨勢。

Python語言中的數據科學庫實現決策樹機器學習算法是 - SciPy和Sci-Kit學習。

R語言中的數據科學庫實現決策樹機器學習算法是插入符號。

3.7 隨機森林機器學習算法

讓我們繼續(xù)我們在決策樹中使用的同樣的例子，來解釋隨機森林機器學習算法如何工作。提利昂是您的餐廳偏好的決策樹。然而，提利昂作為一個人并不總是準確地推廣你的餐廳偏好。要獲得更準確的餐廳推薦，你問一對夫婦的朋友，并決定訪問餐廳R，如果大多數人說你會喜歡它。而不是只是問Tyrion，你想問問Jon Snow，Sandor，Bronn和Bran誰投票決定你是否喜歡餐廳R或不。這意味著您已經構建了決策樹的合奏分類器 - 也稱為森林。

你不想讓所有的朋友給你相同的答案 - 所以你提供每個朋友略有不同的數據。你也不確定你的餐廳偏好，是在一個困境。你告訴提利昂你喜歡開頂屋頂餐廳，但也許，只是因為它是在夏天，當你訪問的餐廳，你可能已經喜歡它。在寒冷的冬天，你可能不是餐廳的粉絲。因此，所有的朋友不應該利用你喜歡打開的屋頂餐廳的數據點，以提出他們的建議您的餐廳偏好。

通過為您的朋友提供略微不同的餐廳偏好數據，您可以讓您的朋友在不同時間向您詢問不同的問題。在這種情況下，只是稍微改變你的餐廳偏好，你是注入隨機性在模型級別（不同于決策樹情況下的數據級別的隨機性）。您的朋友群現在形成了您的餐廳偏好的隨機森林。

隨機森林是一種機器學習算法，它使用裝袋方法來創(chuàng)建一堆隨機數據子集的決策樹。模型在數據集的隨機樣本上進行多次訓練，以從隨機森林算法中獲得良好的預測性能。在該整體學習方法中，將隨機森林中所有決策樹的輸出結合起來進行最終預測。隨機森林算法的最終預測通過輪詢每個決策樹的結果或者僅僅通過使用在決策樹中出現最多次的預測來導出。

例如，在上面的例子 - 如果5個朋友決定你會喜歡餐廳R，但只有2個朋友決定你不會喜歡的餐廳，然后最后的預測是，你會喜歡餐廳R多數總是勝利。

A.為什么使用隨機森林機器學習算法？

（1）有很多好的開源，在Python和R中可用的算法的自由實現。

（2）它在缺少數據時保持準確性，并且還能抵抗異常值。

（3）簡單的使用作為基本的隨機森林算法可以實現只用幾行代碼。

（4）隨機森林機器學習算法幫助數據科學家節(jié)省數據準備時間，因為它們不需要任何輸入準備，并且能夠處理數字，二進制和分類特征，而無需縮放，變換或修改。

（5）隱式特征選擇，因為它給出了什么變量在分類中是重要的估計。

B.使用隨機森林機器學習算法的優(yōu)點

（1）與決策樹機器學習算法不同，過擬合對隨機森林不是一個問題。沒有必要修剪隨機森林。

（2）這些算法很快，但不是在所有情況下。隨機森林算法當在具有100個變量的數據集的800MHz機器上運行時，并且50,000個案例在11分鐘內產生100個決策樹。

（3）隨機森林是用于各種分類和回歸任務的最有效和通用的機器學習算法之一，因為它們對噪聲更加魯棒。

（4）很難建立一個壞的隨機森林。在隨機森林機器學習算法的實現中，容易確定使用哪些參數，因為它們對用于運行算法的參數不敏感。一個人可以輕松地建立一個體面的模型沒有太多的調整