决策树

说到决策树，我最近真是在这个上面栽了个跟头。那是在2018年，我在一个大数据分析的项目里，那时候我们团队接了一个大客户的项目，要做的是预测客户流失。
那时候我年轻气盛，觉得自己在机器学习这块儿挺有研究的，就直接上手了。一开始，我就选了决策树模型，因为它简单易懂，对新手友好。结果呢，就出了点岔子。
我根据数据集的特征，画了个决策树，然后就开始训练。结果模型效果不好，准确率就那么50%多，远远达不到预期。客户那边催得紧，我也急得团团转。
后来，我仔细分析了数据，发现有几个特征变量的分布特别不均匀，而且还有一些缺失值没处理。我那时候不太懂，就想着随便处理一下算了。结果，处理得不好，模型训练出来的效果自然不行。
最后，我只能硬着头皮去找专家，请教他们怎么处理。他们告诉我，要好好处理缺失值，对那些不均匀的特征变量要进行归一化处理，还要调整一下决策树的参数。
那段时间真的是把我折磨得够呛。不过，从那以后，我对决策树的理解深了不少，也学会了在实际项目中如何运用。现在回想起来，真是踩了一个大坑啊。不过，坑是踩了，但也长了记性，不是吗？

这玩意儿简单，就是像树一样分步骤解决问题。先问个问题，然后根据答案再问，一直问到有答案为止。上周刚处理一个，就是分好几层问，层层递进。

决策树，就是用树形图来表示决策过程。先问个问题，再分几个分支，每个分支再问问题，最终指向结果。上周刚处理一个，简单来说，就是层层筛选，找到最优解。你自己看，哪个分支最合理。