1、线形版别和非线性判别的区别？哪个判别比较好？
1）、这个区别是根据线形映射，即y与x之间的关系为标准分的类；逻辑回归和SVM是线形判别器，决策树是非线形分类器
不同的问题不同的结果
2、决策树可以处理连续性变量吗？
ID3算法：
https://blog.csdn.net/fly_time2012/article/details/70210725
这个网址介绍的很详细，我个人认为他不处理连续性变量原因很简单，仅从公式上看特征值可能性多不一定是最优
另一个原因提出这个算法的作者没有想到将其划为二分类去处理，直接套公式可不就出现问题1
C4.5算法
https://blog.csdn.net/lemon_tree12138/article/details/51840361
这个网址介绍很详细，公式作了改进差不多解决特征值可能性多不一定是最优的问题，随便提出连续特征处理方法
但是上述两个网址只是建树，缺少剪枝的过程，建树好理解，后剪枝反而不好理解
3、决策树与逻辑回归的比较
逻辑回归的优点：
1．逻辑回归对数据整体结构的分析
2、线上使用简单
3、逻辑回归擅长分析线性关系，线性关系在实践中有很多优点：简洁，易理解，可以在一定程度上防止对数据的过度拟合。但是很多非线性关系完全可以用线性关系作为近似，而且效果很好。
逻辑回归的缺点：
1、逻辑回归对极值比较敏感，容易受极端值的影响
2、逻辑回归 建模数据量不能太少，目标变量中每个类别所对应的样本数量要足够充分，才能支持建模
3、排除共线性问题（自变量间相关性很大）
4、逻辑回归不能处理缺失值，所以之前应对缺失值进行适当处理。
决策树的优点：
1、决策树对局部结构的分析，每一维的特征对y可以解释
2、虽然对付非线性关系是决策树的强项
3、可以处理处理缺失值
4、对异常值不敏感
决策树缺点：
1、容易过拟合
2、决策树对线性关系的把握较差
今天下介绍到这里
