决策树学习主要利用信息论中的信息增益（information gain)，寻...

判断题决策树学习主要利用信息论中的信息增益（information gain)，寻找数据集中有最大信息量的变量，建立数据的一个节点，再根据变量的不同值建立树的分枝，每个分枝子集中重复建树的下层结果和分枝的过程，一直到完成建立整株决策树。

1.判断题决策树过拟合时，先剪枝和后剪枝的效果和计算量完全一样，因此可以随意选择。

2.判断题数据处理是讲信息转换成数据的过程。

3.判断题数据量足够大时，增加或删除一些变量对最终的聚类结果不会有太大影响。

4.判断题数据分类的基本思想就是构造一个模型或分类器来预测研究对象的分类属性，这个分类属性通常为离散型变量。

5.判断题非概率抽样的样本结果不适合推断总体。

6.判断题利用聚类分析可以分析顾客间的相似或差异关系，并将顾客按照一定特征拆分成若干个类别而达到市场细分的目的。

7.判断题回归模型中，有两个或者两个以上的自变量彼此相关，对回归分析没有影响。

8.判断题异常值会给分类算法带来很大的干扰，因此要删除异常值。

9.判断题分类模型的误差大致分为两种：训练误差（training error）和泛化误差（generalization error）。

10.判断题神经网络算法不需要考虑变量是否共线，因此比逻辑回归的实施应用要简单很多。