决策树ID3算法课件.pptVIP

决策树 ID3算法;8.5 决策树 ;设 sij 是子集 Sj 中类 Ci 的样本数。根据由A划分成子集的熵或期望信息由下式给出： 其中， 是第j个子集的权，并且等于子集（即A值为aj）中的样本个数除以S中的样本总数。熵值越小，子集划分的纯度越高。注意，对于给定的子集Sj， 其中， 是 Sj 中的样本属于类 Ci 的概率。 在A上分枝将获得的编码信息是 。 Gain(A)称为信息增益，它是由于知道属性A的值而导致的熵的期望压缩。具有最高信息增益的属性选作给定集合S的测试属性。创建一个节点，并以该属性标记，对属性的每个值创建分枝，并据此划分样本。;例：构造决策树。 下表给出了取自AllElectronics顾客数据库元组训练集。;解：由题意可知： s＝14，类标号属性“购买电脑”有两个不同值（即｛会购买，不会购买｝），因此有两个不同的类（即m＝2）。设类C1对应于“会购买”，类C2对应于“不会购买”。则s1＝9，s2＝5，p1＝9/14，p2=5/14。 ①计算对给定样本分类所需的期望信息： ②计算每个属性的熵。 先计算属性“年龄”的熵。 对于年龄＝“=30”：s11＝2，s21＝3，p11=2/5，p21=3/5， 对于年龄＝“31…40”： s12=4，s22=0，p12=4/4=1，p22=0， ;对于年龄＝“40”：s13=3，s23=2，p13=3/5，p23=2/5， 如果样本按“年龄”划分，对一个给定的样本分类所需的期望信息为： 因此，这种划分的信息增益是 Gain(年龄)=I(s1,s2) - E(年龄)=0.246。 计算“收入”的熵。 对于收入＝“高”： s11=2，s21=2，p11=0.5，p21=0.5， 对于收入＝“中等”： s12=4，s22=2，p12=4/6，p22=2/4， ;对于收入＝“低”： s13=3，s23=1，p13=3/4，p23=1/4， 如果样本按“收入”划分，对一个给定的样本分类所需的期望信息为： 因此，这种划分的信息增益是 Gain(收入)=I(s1,s2) - E(收入)=0.940-0.911＝0.029。 计算“学生”的熵。 对于学生＝“是”：s11=6，s21=1，p11=6/7，p21=1/7， ;对于学生＝“否”： s12=3，s22=4，p12=3/7，p22=4/7， 如果样本按“学生”划分，对一个给定的样本分类所需的期望信息为： 因此，这种划分的信息增益是 Gain(学生)=I(s1,s2) - E(学生)=0.940-0.789＝0.151。 计算“信用等级”的熵。 对于信用等级＝“一般”： s11=6，s21=2，p11=6/8，p21=2/8， 对于信用等级＝“良好”： s12=3，s22=3，p12=3/6，p22=3/6，;如果样本按“信用等级”划分，对一个给定的样本分类所需的期望信息为： 因此，这种划分的信息增益是 Gain(信用等级)=I(s1,s2) - E(信用等级)=0.940-0.892＝0.048。 由于 “年龄” 属性具有最高信息增益，它被选作测试属性。创建一个节点，用“年龄”标记，并对每个属性值引出一个分支。样本据此划分，如图所示。 ;收入;收入;对于收入＝“中等”： s12=1，s22=1，p12=1/2，p22=1/2， 对于收入＝“低”： s13=1，s23=0，p13=1，p23=0， 如果样本按“收入”划分，对一个给定的样本分类所需的期望信息为： 因此，这种划分的信息增益是 Gain(收入)=I(s1,s2) - E(收入)=0.971-0.0.4＝0.571。 ;计算“学生”的熵。 对于学生＝“是”：s11＝2，s21＝0，p11=1，p21=0， 对于学生＝“否”： s12＝0，s22＝3，p12=0，p22=1， 如果样本按“学生”划分，对一个给定的样本分类所需的期望信息为： 因此，这种划分的信息增