机器学习算法之决策树学习汇报 - teamtrac.ppt

机器学习算法之决策树学习汇报 二〇一六年十一月二十五日 S王鸿飞 决策树算法 机器学习中分类和预测算法的评估 准确率 速度 健壮性 可规模性 可解释性 决策树算法 决策树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。 什么是决策树/判定树（decision tree)? 决策树算法 决策树算法 熵（entropy）概念： 信息和抽象如何度量？ 1948年，香农提出了 ”信息熵(entropy)“的概念 一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者 是我们一无所知的事情，需要了解大量信息 ==信息量的度量就等于不确定性的多少 决策树算法 例子：猜世界杯冠军，假如一无所知，猜多少次？ 每个队夺冠的几率不是相等的 比特（bit）来衡量信息的多少 变量的不确定性越大，熵也就越大 决策树算法 决策树归纳算法 （ID3） 选择属性判断节点 信息获取量(Information Gain)： Gain(A) = Info(D) - Infor_A(D) 通过A来作为节点分类获取了多少信息 决策树算法 决策树算法 类似地， Gain(income)=0.029 Gain(student)=0.151 Gain(credit_rating)=0.048 所以，选择age作为第一个根节点 决策树算法 重复…… 决策树算法 递归划分仅当下列条件成立之一时停止： （a）给定结点的所有样本属于同一类 （b）没有剩余属性可用来进一步划分样本。在此情况下使用多数表决。这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。 决策树算法 其他算法： C4.5: Quinlan Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone) 共同点：都是贪心算法，自上而下(Top-down approach) 区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain) 决策树算法 决策树的剪枝理论： 避免overfitting; PrePrune：预剪枝，及早的停止树增长. PostPrune：后剪枝，在已生成过拟合决策树上进行剪枝，可以得到简化版的剪枝决策树。 决策树算法 决策树的优点： 直观，便于理解，小规模数据集有效 决策树的缺点： 1. 处理连续变量不好 2.类别较多时，错误增加的比较快 3.可规模性一般 决策树应用 Python机器学习的库： scikit-learn 特性： 简单高效的数据挖掘和机器学习分析 对所有用户开放，根据不同需求高度可重用性 基于Numpy, SciPy和matplotlib 开源，商用级别 覆盖问题领域： 分类（classification), 回归（regression), 聚类（clustering), 降维(dimensionality reduction) 模型选择(model selection), 预处理(preprocessing) 决策树应用 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *