c4.5算法是什么意思？
C4.5算法是RossQuinlan开发的一种生成决策树的算法。该算法是RossQuinlan开发的ID3算法的扩展。C4.5算法生成的决策树可以用于分类目的，所以这个算法也可以用于统计分类。C4.5算法和ID3算法一样，使用信息熵的概念，通过学习数据来构建决策树。
决策树属于可视化的哪一种？
决策树是一种流行的监督学习方法。决策树的优点是既可用于回归，又可用于分类，无需特征缩放，可解释性好，易于可视化决策树。
可视化决策树不仅是理解你的模型的好方法，也是向他人介绍你的模型的运行机制的有利工具。因此，数据分析师掌握决策树的可视化方法非常重要。
crat决策树用什么来划分属性？
决策树是以样本的属性为节点，属性值为分支的树形结构。
决策树的根节点是所有样本中信息量最大的属性。树的中间节点是以该节点为根的子树中包含的样本子集中信息量最大的属性。决策树的叶节点是样本的类别值。决策树是一种知识表示形式，是对所有样本数据的高度概括。决策树能准确识别所有样本的类别，并能有效识别新样本的类别。
决策树算法ID3的基本思想；
首先找出最有鉴别能力的属性，将样本分成若干子集，通过选择最有鉴别能力的属性对每个子集进行划分，直到所有子集只包含同一类型的数据。
PM决策树优点？
1.决策树模型容易产生过于复杂的模型，这样的模型泛化性能会很差。这就是所谓的过拟合，一些策略如剪枝、设置叶子节点所需的最小样本数或设置数的最大深度是避免这个问题的最有效方法。
2.决策树可能不稳定，因为数据的微小变化可能导致完全不同的树生成。这个问题可以通过决策树的集成来缓解。
3.在多方面性能最优和概念简化的要求下，学习最优决策树通常是一个NP-hard问题。
所以实际的决策树学习算法都是基于启发式算法，比如在每个节点做出局部最优决策的贪婪算法。该算法不能保证返回最全局的决策树。这个问题可以通过集成学习训练多个决策树来缓解，决策树一般是通过随机抽取特征和样本产生的。
4.有些概念是决策树很难学习的，因为决策树很难清晰地表达那些概念，比如异或、奇偶或多路复用问题。
5.如果问题中某些类占优势，那么原来的决策树会有偏差，建议先分析数据再拟合。设置为平衡。