第4章 分类：基本概念、决策树和模型评估.pptVIP

第4章 分类：基本概念、决策树与模型评估;分类任务：确定对象属于哪个预定义的目标类;分类任务的输入数据是记录的集合。每条记录也称实例或者样例，用元组（x, y）表示，其中x是属性的集合，而y是一个特殊的属性，指出样例的类标号（也成为分类属性或目标属性）。;分类（classification）;输入属性集（x）;分类技术是一种根据输入数据集建立分类模型的系统方法。;训练集：由类标号已知的记录构成 检验集：由类标号未知的记录构成;;同样，分类模型的性能也可以用错误率（error rate）来表示，其定义如下：;1、什么是决策树？ 类似于流程图的树结构 每个内部节点表示在一个属性上的测试 每个分枝代表一个测试输出 每个叶节点代表类或类分布;根结点（root node）：它没有入边，但是有零条或多条出边。 内部结点（internal node）：恰好有一条入边和两条或多条出边。 叶节点（leaf node）或终结点（terminal node）：恰好有一条入边， 但没有出边。; 一旦构造了决策树，对检验记录进行分类就很容易。从树的根结点开始，将测试条件用于检验记录，根据测试结果选择适当的分支。沿着该分支或者到达另一个内部结点，使用新的测试条件，或者到达一个叶结点。到达叶结点之后，叶结点的类标号就被赋值给该检验记录。;如何建立决策树;在Hunt算法中，通过将训练记录相继划分成较纯的子集，以递归方式建立决策树。设 是与结点t相关联的训练记录集，而 是类标号，Hunt算法的递归定义如下。;Hunt算法;拖欠贷款者=否;如果属性值的每种组合都在训练数据中出现，并且每种组合都具有唯一的类标号，则Hunt算法是有效的。但是对于大多数实际情况，这些假设太苛刻了，因此，需要附加的条件来处理以下的情况：;决策树归纳的设计问题;表示属性测试条件的方法;2、标称属性 由于标称属性有多个属性值，它的测试条件可以用两种方法表示。;3、序数属性 序数属性也可以产生二元或多路划分，只要不违背序数属性值的有序性，就可以对属性值进行分组。;4、连续属性 对于连续属性来说，测试条件可以是具有二元输出的比较测试 或 也可以是具有形如 输出的范围查询。;有很多度量可以用来确定划分记录的最佳方法，这些度量用划分前和划分后的记录的类分布定义。;选择最佳划分的度量通常是根据划分后子女结点不纯性的度量。不纯的程度越低，类分布就越倾斜。例如（0,1）的结点具有零不纯性，而均衡分布（0.5, 0.5）的结点具有最高的不纯性。不纯性度量的例子包括：;结点N1;二元分类问题不纯性度量之间的比较;为确定测试条件的效果，我们需要比较父结点（划分前）的不纯性程度和子女结点（划分后）的不纯性程度，它们的差越大，测试条件的效果就越好。增益 是一种可以用来确定划分效果的标准：;B;2、标称属性的划分;3、连续属性的划分;降低计算复杂性的方法: 1.将记录进行排序 2.从两个相邻的排过序的属性值之间选择中间值作为划分点 3.计算每个候选点的Gini值 4.时间复杂度为O（NlogN）;4、增益率;第一种策略：限制测试条件只能是二元划分。;决策树归纳特点的总结;9、子树可能在决策树中重复多次，这使得决策树过于复杂，并且可能更难解释。;使用仅涉及单个属性的测试条件不能有效划分的数据集的例子;构造归纳（constructive induction）;一个好的分类模型必须具有低训练误差和低泛化误差。;二维数据过分拟合的例子; 当决策树很小时，训练误差和检验误差都很大，这种情况称作模型拟合不足（model underfitting）。出现拟合不足的原因是模型尚未学习到数据的真实结构，因此，模型在训练集和检验集上的性能都很差。 一旦树的规模变得太大，即使训练误差还在降低，但是检验误差开始增大，这种现象称为模型过分拟合（model overfitting）。; 为理解过分拟合现象，举个例子：可以扩展树的叶结点，直到它完全拟合训练数据。虽然这样一颗复杂的树的训练误差为0，但是检验误差可能很大，因为该树可能包含这样的结点，它们偶然地拟合训练数据中某些噪声。这些结点降低了决策树的性能，因为他们不能很好的泛化到检验样本。;名称;名称;完全拟合训练数据的决策树显示在下图（a）中，虽然该树的训练误差为0，但是它在检验数据集上的误差高达30%。;缺乏代表性样本导致的过分拟合;过分拟合与多重比较过程;1、过分拟合的主要原因一直是个争辩的话题，但大家还是普遍同意模型的复杂度对模型的过分拟合有影响。 2、如何确定正确的模型复杂