挖掘：决策树.ppt

LOGO Why？ 信息增益度量偏向于有许多输出的测试，即它倾向于选择具有大量值的属性。 举个极端的例子：考虑充当唯一标识的属性PID。对PID的分裂将产生大量划分（与样本个数一样多），每个分类只包含一个样本，且每个划分都是纯的。 对属性PID划分得到的信息增益最大，显然，这种划分对分类没有用处。 LOGO 使用分裂信息(split information)将信息增益规范化。 该值表示数据集 按属性 测试的 个划分产生的信息。 增益率： 选择具有最大信息率的属性作为分裂属性。 增益率 income 其他属性的信息率可类似求出。 在实际通信之前（决策树建立之前），输出变量对信宿来讲是完全随机的，其平均不确定性为： 决策树建立过程中，随着信宿接收到信息（输入变量如T1），则条件熵为： 信息增益： T1作为最佳分组变量而非T3 将输出变量（是否购买）看作信源发出的信息U 输入变量看作是信宿接收到的一系列信息V 类别值多的输入变量比少的有更多的机会成为当前最佳分组变量 C5.0算法:信息增益率 信息增益率的数学定义为： 数值型输入变量 首先对它进行分组处理，分组方法采用基于MDLP的熵分组方法 2、C5.0算法：数值型输入变量 把连续值属性的值域 分割为离散的区间集合。 基于MDLP的熵分组方法。 （Minimun Description Length Principle） 信息增益大于编码长度 * 选择最佳分组变量时，通常将带有缺失值的样本当临时剔除样本看待，并进行权数调整 3、C5.0算法:对缺失值问题的处理 计算输出变量熵 计算关于T1的条件熵 计算经权数调整的T1信息增益 计算信息增益率 不继续确定关于分组变量的最佳分割点 分类型输入变量：K叉树 数值型输入变量：2叉树 Clementine：ChiMerge分箱法 在分组变量上取缺失值： 第1个样本被分配到各组中的权数分别为5/13、3/13、5/13，之后各组的样本数分别为5＋5/13、3＋3/13、5＋5/13 4、C5.0算法:最佳分割点 后修剪方法从叶结点向上逐层剪枝，关键是错误率即误差的估计问题 通常应在检验样本集上估计误差并进行剪枝 利用统计中置信度的思想直接在训练样本集中估计误差： 当?为0.25时， 5、C5.0算法：剪枝 按照“减少－误差（reduce-error）”法判断是否剪枝 C5.0算法：剪枝 考虑是否可以剪掉最下层的3个叶结点 3个结点的错误率：分别为：0.55、0.91、0.55；加权： 计算父结点C的误差估计为0.50。由于0.60大于0.50，因此可以剪掉3个叶结点。 预测的置信度（或误差）会影响决策，错判的损失也会影响决策 损失矩阵： 6、C5.0算法：损失矩阵 预测值 Yes No 实际值 Yes 0 m No n 0 从损失角度决策，在各类错判损失不相等时（不能仅从置信角度判断。事实上，默认在损失相同时才考虑置信度）： c(i|j)是将j类错判为i类的损失，p(j|t)是被节点t判为j类的归一化概率 C5.0算法：损失矩阵 C5.0仅在剪枝时考虑损失，以二分类为例： C5.0算法：损失矩阵 示例：取伪损失较大，给出yes判断的置信度都很高。模型复杂，决策树修剪程度低；如果取伪损失指定为10，则模型都判为No 偏差和方差 决策树算法具有一定的不稳健性，可以考虑利用多组样本建立多个模型，形成模型“委员会”制度 Bagging技术 Boosting技术 C5.0算法： 模型“委员会” 建模过程（输入：训练样本集T，训练次数k；输出：多个决策树模型C1,C2,…Ck) For i=1,2,…,k do 从T中随机有放回抽取样本，形成有相同样本容量的样本集合Ti 以Ti为训练集构造模型Ci End for 决策过程（输入：新数据X，多个决策树模型C1,C2,…Ck；输出：分类预测结果C(X) ） For i=1,2,…,k do 根据Ci对X做预测，结果为Ci(X) End for 统计各类别得票，得票数最高的为C(X)，或计算平均值 C5.0算法： Bagging技术 两个阶段：建立k个模型； k个模型投票 C5.0算法：Boosting技术 Boosting技术：建模过程 初试化样本权数：wj(i)=1/n 对每次迭代： 根据样本权数wj(i)，从T中有放回地抽取n个样本形成训练样本集Ti； 根据训练集Ti得到模型Ci； 计算模型的误差e(i) 如果e(i)0.5 或者e(i)=0，则终止建模过程； C5.0算法：Boosting技术 Boosting技术：建模过程 初试化样本权数：wj(i)=1/n