Add comment of Decision tree

机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/3_模型解释与分析_建筑能源利用率预测.ipynb

@@ -74948,14 +74948,36 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "<img src=\"data/tree_small.png\" width=\"70%\">"
+    "<img src=\"data/tree_small.png\" width=\"100%\">"
    ]
   },
   {
-   "cell_type": "code",
+   "attachments": {},
-   "execution_count": null,
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "把决策树看作是一系列“是/否”问题的最佳方式，如流程图。我们从顶部开始，叫做根，沿着树向下移动，移动方向由每个方程的答案决定。\n",
+    "\n",
+    "例如，这里我们问的第一个问题是：Site EUI是否小于或等于15.95？如果答案是肯定的，那么我们移到左边问一个问题：Weather Normalized Site是否小于或等于3.85？如果第一个问题的答案是否定的，我们移到右边问一个问题：Weather Normalized Site是否小于或等于26.85？\n",
+    "\n",
+    "我们继续这个迭代过程，直到到达树的底部并最终成为叶子节点。这里，我们预测的值对应于节点中显示的值。\n",
+    "\n",
+    "\n",
+    "每个节点有四条不同的信息：\n",
+    "\n",
+    "1. question：根据这个答案，我们将向右或向左移动到树的下一层的下一个节点\n",
+    "2. friedman_mse：给定节点中所有示例的错误度量\n",
+    "3. sample：节点中的示例数\n",
+    "3. value：节点中所有示例的目标预测\n",
+    "\n",
+    "我们可以看到，随着树的深度增加，我们将能够更好地拟合数据。对于一棵小树，每个叶子节点中会有许多sample，并且由于模型为节点中的每个sample估计相同的value，因此可能会有较大的误差（除非所有示例都具有相同的目标值）。但是建造太大的树会导致过拟合。我们可以控制多个超参数，这些参数决定树的深度和每个叶子中的sample数。在第二部分中，当我们使用交叉验证进行优化时，我们看到了如何选择这些超参数中的一些。\n",
+    "\n",
+    "虽然我们不能检查模型中的每一棵树，但只看一棵树确实能让我们了解我们的模型是如何做出预测的。事实上，这种基于流程图的方法看起来很像人类的决策方式，一次只回答一个关于单个值的问题。基于决策树的集成简单地采用单个决策树的思想，并结合多个个体的预测，以创建一个比单个估计器具有更小方差的模型。树木的组合往往是非常准确的，而且也是直观的解释！"
+   ]
+  },
+  {
+   "cell_type": "markdown",
    "metadata": {},
-   "outputs": [],
    "source": []
   }
  ],