决策树算法易于理解好实现，且对缺失值、异常值和共线性都不敏感，是做分类预测的首选算法（）

关于决策树算法陈述正确的是（） 多重共线性 根据图中所示的minimax算法决策树,根结点的估值是()。 使用决策树算法，必须满足以下要求（） 逐步回归法既可以检验多重共线性，也可以修正多重共线性。 决策树算法对于样本特征的取值要求是（） 决策树的建立过程可以看成是数据规则的生成过程，因此可以认为，决策树实现了数据规则的，其输出结果也容易理解（） 增加样本观测值就可以消除多重共线性（） 增加样本观测值就可以消除多重共线性 当发现解释变量中存在严重的多重共线性时，我们可以消除共线性的方法有（） 根据图中所示的minimax算法决策树,图中估值为7的结点被称为() 回归模型中存在多重共线性,你如何解决这个问题()1.去除这两个共线性变量2.我们可以先去除一个共线性变量 ID3算法是决策树方法的早期代表（） 中国大学MOOC: 决策树属于监督学习算法。 决策树法中，决策树的根基是() 简述多重共线性及其原因。 解释多重共线性的含义 多重共线性产生的原因 简述多重共线性的后果。 多重共线性的后果包括（）