1700533056
1700533057
（3）“用户类型=付费”且“物品类型=食品”。
1700533058
1700533059
（4）“用户类型=付费”且“年龄<=40”。
1700533060
1700533061
1700533062
1700533063
1700533064
图1.2 基于决策树的特征组合方法
1700533065
1700533066
表1.6是两个样本信息，那么第1个样本按照上述4个特征组合就可以编码为（1, 1, 0, 0），因为同时满足（1）（2），但不满足（3）（4）。同理，第2个样本可以编码为（0, 0, 1, 1），因为它同时满足（3）（4），但不满足（1）（2）。
1700533067
1700533068
表1.6 两个不同样本对应的原始输入特征
1700533069
1700533070
是否点击
1700533071
1700533072
年龄
1700533073
1700533074
性别
1700533075
1700533076
用户类型
1700533077
1700533078
物品类型
1700533079
1700533080
是
1700533081
1700533082
28
1700533083
1700533084
女
1700533085
1700533086
免费
1700533087
1700533088
护肤
1700533089
1700533090
否
1700533091
1700533092
36
1700533093
1700533094
男
1700533095
1700533096
付费
1700533097
1700533098
食品
1700533099
1700533100
给定原始输入该如何有效地构造决策树呢？可以采用梯度提升决策树，该方法的思想是每次都在之前构建的决策树的残差上构建下一棵决策树。对梯度提升决策树感兴趣的读者可以参考第12章的具体内容，也可以阅读参考文献[2]。
1700533101
1700533102
1700533103
1700533104
1700533105
百面机器学习：算法工程师带你去面试 [:1700532172]