在数据分析与挖掘方法中，对于有关决策树分类的描述中，错误的是（ ）。
A: 树的叶节点代表某个类别值
B: 树的非叶节点代表某个一般属性（非类别属性）的一个测试，测试的输出构成该非叶节点的多个分支。
C: Random Forest不属于决策树学习算法
D: 从根节点到叶节点的一条路径可形成一条分类规则
A: 树的叶节点代表某个类别值
B: 树的非叶节点代表某个一般属性（非类别属性）的一个测试，测试的输出构成该非叶节点的多个分支。
C: Random Forest不属于决策树学习算法
D: 从根节点到叶节点的一条路径可形成一条分类规则
举一反三
- 决策树是一种树形结构，其中每个内部节点表示一个（）上的测试，每个分支代表一个测试（），每个叶节点代表一种（）。 A: 属性、输出、类别 B: 输出、类别、属性 C: 属性、类别、输出 D: 类别、输出、属性
- 决策树中的叶节点对应于决策树结果，其他节点对应于( )。 A: 属性测试 B: 学习测试 C: 学习测试 D: 分类测试
- 决策树内部的( )代表对一个特征的划分。 A: 分支 B: 决策节点 C: 叶节点 D: 根节点
- 决策树的根节点都是分类的条件，叶节点是 A: 分类的类别 B: 分类的情况 C: 分类的属性 D: 分类的方法
- m阶的B树的生成是从空树开始的，逐个插入关键字。每次插入一个节点是向B树______。 A: 添加一个叶节点 B: 向叶节点添加一个关键字 C: 根节点加入一个关键字 D: 最低层的某个非终端节点添加一个关键字