具體剪枝算法

C4.5的剪枝 《Python大戰機器學習》 第36頁 基本思路： 計算每個節點的「經驗熵」 遞歸地從樹的葉節點向上回退，如果回退使「損失函數」值下降，則剪枝，把父節點變成新的葉節點 遞歸進行上一步 損失函數： T表示決策樹； α表示先驗參數，懲罰係數。α越大，樹越簡單； C表示代價函數； Tf 表示葉節點的個數； Nt 表示在決策樹的第t個葉結點中，樣本的總數量； Ntk 表示在決策樹的第t個葉

>>阅读原文<<