決策樹算法理論
0. 機器學習中分類和預測算法的評估:
1. 什麼是決策樹/判定樹(decision tree)?
判定樹是一個類似於流程圖的樹結構:其中,每個內部結點表示在一個屬性上的測試,每個分支代表一個屬性輸出,而每個樹葉結點代表類或類分佈。樹的最頂層是根結點。
下圖展示根據天氣等特徵某天玩不玩某種運動?
2. 機器學習中分類方法中的一個重要算法
3. 構造決策樹的基本算法 【判斷一個人是否會買電腦?】
3.1 熵(entropy)概念:
信息和抽象,如何度量?
1948年,香農提出了 ”信息熵(entropy)“的概念
一條信息的信息量大小和它的不確定性有直接的關係,要搞清楚一件非常非常不確定的事情,或者
是我們一無所知的事情,需要了解大量信息==>信息量的度量就等於不確定性的多少
例子:猜世界盃冠軍,假如一無所知,猜多少次?每個隊奪冠的機率不是相等的;
比特(bit)來衡量信息的多少。
以下是熵的公式:
如上圖公式,若各個概率相等則,最終值爲6.
如果概率不同,值會小余6。猜32個球隊,32個值,用二分法猜就是6次。
變量的不確定性越大,熵也就越大
3.1 決策樹歸納算法 (ID3)
1970-1980, J.Ross.Quinlan, ID3算法
選擇屬性判斷結點
信息獲取量(Information Gain):Gain(A) = Info(D) - Infor_A(D)
通過A來作爲節點分類獲取了多少信息
類似,Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048
所以,選擇age作爲第一個根節點
重複以上建樹的過程即可。
算法描述:
- 樹以代表訓練樣本的單個結點開始(步驟1)。
- 如果樣本都在同一個類,則該結點成爲樹葉,並用該類標號(步驟2 和3)。
- 否則,算法使用稱爲信息增益的基於熵的度量作爲啓發信息,選擇能夠最好地將樣本分類的屬性(步驟6)。該屬性成爲該結點的“測試”或“判定”屬性(步驟7)。在算法的該版本中,
- 所有的屬性都是分類的,即離散值。連續屬性必須離散化。
- 對測試屬性的每個已知的值,創建一個分枝,並據此劃分樣本(步驟8-10)。
- 算法使用同樣的過程,遞歸地形成每個劃分上的樣本判定樹。一旦一個屬性出現在一個結點上,就不必該結點的任何後代上考慮它(步驟13)。
- 遞歸劃分步驟僅當下列條件之一成立停止:
- (a) 給定結點的所有樣本屬於同一類(步驟2 和3)。
- (b)沒有剩餘屬性可以用來進一步劃分樣本(步驟4)。在此情況下,使用多數表決(步驟5)。
- 這涉及將給定的結點轉換成樹葉,並用樣本中的多數所在的類標記它。替換地,可以存放結
- 點樣本的類分佈。
- (c) 分枝
- test_attribute = a i 沒有樣本(步驟11)。在這種情況下,以 samples 中的多數類
- 創建一個樹葉(步驟12)
3.1 其他算法:
C4.5: Quinlan
Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)
共同點:都是貪心算法,自上而下(Top-down approach)
區別:屬性選擇度量方法不同: C4.5 (gain ratio), CART(gini index), ID3 (Information Gain)
3.2 如何處理連續性變量的屬性?
4. 樹剪枝葉 (避免overfitting)
4.1 先剪枝
4.2 後剪枝
5. 決策樹的優點:
直觀,便於理解,小規模數據集有效
6. 決策樹的缺點:
處理連續變量不好
類別較多時,錯誤增加的比較快
可規模性一般
------------------------------------------------
算法實現請看下一篇博客!