优点:在小规模数据上表现良好，适合多分类任务和增量训练。该算法简单，常用于文本分类。分类精度高，速度快。决策树模型具有可读性和描述性，有助于人工分析。效率高，决策树只需要建立一次，重复使用，每次预测的最大计算次数不超过决策树的深度。
缺点:对输入数据的表达非常敏感。由于假设样本属性是独立的，如果特征属性是相关的，效果并不好。
决策树模型具有可读性和描述性，有助于人工分析。2)效率高，决策树只需要建立一次，反复使用，每次预测的最大计算次数不超过决策树的深度。
分类和预测
分类和数值预报是两种主要的预报问题。分类是预测分类(离散和无序)标签，而预测是建立连续值函数模型。
首先，对问题进行分类的步骤:
1.使用训练集建立描述预定义数据类或概念集的分类器。
第一步，也叫"学习步骤与技巧or"培训模型阶段和阶段通过分析来自训练集的学习，使用特定的分类算法来构建相应的分类器或分类模型。这一步也可以看作是通过训练样本来学习映射或函数，这可以用来预测给定元组x的类标签y。
训练集由一个数据元组及其关联的类标签组成，数据元组x由一个n维属性向量组成，表示第i个属性上元组的值。
由于训练集中的每个元组都有其对应的类标签，因此分类模型的训练过程也称为监督学习，即分类器的学习是在被告知每个训练元组属于哪个类的监督下进行的。
与此相对应的是聚类，也称为无监督学习。在学习的过程中，每个训练元组的类标签是未知的，学习形成的类的个数或集合也可能是未知的。
2.使用第一步中建立的分类模型对新数据进行分类。
建立相应的分类模型后，可以用来对新数据进行分类。衡量具体型号性能的主要指标是精度。
(1)分级机的精度测量
准确率acc(m)，在模式识别文献中也称为分类器的整体识别率，是分类器m正确分类的元组的百分比，反映了分类器对各种元组的识别。
混淆矩阵是分析分类器以识别不同类元组的有效工具。给定m个类，混淆矩阵是m*m的二维表，指示被分类器标记为类j的元组的数量。理想情况下，对于具有以下功能的设备有准确率高的分类器，大部分元组集中在混淆矩阵的对角线上。
给定两个类，可以使用术语正元组(感兴趣的主类元组)和负元组。真阳性表示被分类器正确分类的阳性元组，真阴性是被分类器正确分类的阴性元组。假阳性是被错误分类的阴性元组，即实际上阴性元组被预测为阳性元组。假阴性是用错误标记的正元组，即实际上正元组被分类器归类为负元组。
