目录
决策树中的连续值处理
在前面的数据集中，各项特征（以及标签）均为离散型数据，但有时处理的数据对象可能会含有连续性数值，为了解决这一问题，我们可以对数据进行离散化处理。此时，可把连续取值的数据值域划分为多个区间，并将每个区间视为该特征的一个取值，如此就完成了从连续性数据到离散性数据的转变。例如，当 "学校举办运动会的历史数据" 为下表时，我们可根据这些数据（并结合相关知识）将温度特征的取值作以下划分：
将 "温度" 属性进行分区处理：
对于一些尚无明确划分标准的特征（如下面是一组无具体含义的数据）：
62，65，72，86，89，96，102，116，118，120，125，169，187，211，218
我们要如何将这些数据进行离散化呢？一种较为直接的方式是：对原数据进行排序，再取任意相邻值的中位点作为划分点，
例如:可以取65和72的中位点（ φ = a i + a i + 1 2 = 65 + 72 2 = 68.5 \varphi=\frac{a_i+a_{i+1}}{2}=\frac{65+72}{2}=68.5 φ=2ai+ai+1=265+72=68.5）进行划分。对数据进行离散化处理是希望划分之后的数据集更加纯净，
所以这里依然可以用信息熵来作为对划分的度量，并选取划分效果最好的点作为划分点。
对于长度为n的数据，其备选中位点有n−1个：
φ = { a i + a i + 1 2 , 1 < = i < = n − 1 } \varphi=\{\frac{a_i+a_{i+1}}{2},1<=i<=n-1\} φ={2ai+ai+1,1<=i<=n−1}
我们需要算出这n−1个备选中位点划分出的数据集的信息熵，信息熵最小的就是最优划分点。
在评估决策树执行分类或回归任务的效果时，其方式也有所不同。对于分类任务，可用熵或基尼系数；对于回归任务，则需要用方差来衡量最终落到某个叶子节点中的数值之间的差异（方差越小则说明数据之间的差异越小，越应该被归类到一类）。注：决策树在执行回归任务时，其最终反馈的结果应当取某个叶子结点中所有数的均值。