决策树算法及应用拓展PPT.ppt

决策树算法及应用拓展 内容简介： 概述 预备知识 决策树生成(Building Decision Tree) 决策树剪枝(Pruning Decision Tree) 捕捉变化数据的挖掘方法 小结 概述(一) 传统挖掘方法的局限性 只重视从数据库中提取规则，忽视了库中数据的变化 挖掘所用的数据来自稳定的环境，人为干预较少 概述(二) 捕捉新旧数据变化的目的： 挖掘出变化的趋势 例：啤酒——尿布 阻止/延缓不利变化的发生 例：金融危机——银行的信贷策略 差异挖掘算法的主要思想： 合理比较新/旧数据的挖掘结果，并清晰的描述其变化部分 预备知识一(Building Tree) 基本思想： 用途：提取分类规则，进行分类预测 判定树分类算法 output 训练集 决策树 input 使用决策树进行分类 决策树 一个树性的结构 内部节点上选用一个属性进行分割 每个分叉都是分割的一个部分 叶子节点表示一个分布 决策树生成算法分成两个步骤 树的生成 开始，数据都在根节点 递归的进行数据分片 树的修剪 去掉一些可能是噪音或者异常的数据 决策树使用: 对未知数据进行分割 按照决策树上采用的分割属性逐层往下，直到一个叶子节点 属性选择的统计度量 信息增益——Information gain (ID3/C4.5) 所有属性假设都是种类字段 经过修改之后可以适用于数值字段 基尼指数——Gini index (IBM IntelligentMiner) 能够适用于种类和数值字段 信息增益度度量(ID3/C4.5) 任意样本分类的期望信息： I(s1,s2,……,sm)=－∑Pi log2(pi) (i=1..m) 其中，数据集为S，m为S的分类数目， Pi Ci为某分类标号，Pi为任意样本属于Ci的概率， si为分类Ci上的样本数 由A划分为子集的熵： E(A)= ∑(s1j+ ……+smj)/s * I(s1j+ ……+smj) A为属性，具有V个不同的取值 信息增益：Gain(A)= I(s1,s2,……,sm) － E(A) 训练集(举例) ID3算法 使用信息增益进行属性选择 Class P: buys_computer = “yes” Class N: buys_computer = “no” I(p, n) = I(9, 5) =0.940 Compute the entropy for age: Hence Similarly Decision Tree (结果输出) age? overcast student? credit rating? no yes fair excellent =30 40 no no yes yes yes 30..40 基尼指数 Gini Index (IBM IntelligentMiner) 集合T包含N个类别的记录，那么其Gini指标就是 pj 类别j出现的频率 如果集合T分成两部分 N1 and N2 。那么这个分割的Gini就是 提供最小Ginisplit 就被选择作为分割的标准(对于每个属性都要遍历所有可以的分割方法). 预备知识二(Pruning Tree) 目的： 消除决策树的过适应(OverFitting)问题 实质：消除训练集中的异常和噪声 两种方法： 先剪枝法(Public 算法) 后剪枝法(Sprint 算法) 两种剪枝标准 最小描述长度原则(MDL) 思想：最简单的解释最期望的 做法：对Decision-Tree 进行二进位编码，编码所需二进位最少的树即为“最佳剪枝树” 期望错误率最小原则 思想：选择期望错误率最小的子树进行剪枝 对树中的内部节点计算其剪枝/不剪枝可能出现的期望错误率，比较后加以取舍 Cost of Encoding Data Records 对n条记录进行分类编码的代价(2种方法) n ——记录数，k ——类数目，ni——属于类i的记录数 Cost of Encoding Tree 编码树结构本身的代价 编码每个分裂节点的代价 确定分类属性的代价 确定分类属性值的代价 其中，v是该节点上不同属性值的个数 编码每个树叶上的记录分类的代价 剪枝算法 设N为欲计算其最小代价的节点 两种情形： N是叶结点——C(S)+1 ——Cost1 N是内部节点，有两个子节点N1、N2 已剪去N1、N2，N成为叶子节点 ——Cost1 计算N节点及其子树的代价，使用递归过程 Csplit(N)+1+minCost1+minCost2 ——Cost2 比较Cost1和Cost2，选取代价较小者作为返回值 计算最小子树代价的伪代码 Procedure ComputeCostPrune(Node N)