2018年决策树培训讲义.pptVIP

决策树-上 武承羲 内容 决策树基础 经典决策树 剪枝 决策树 决策树： 用来表示决策和相应的决策结果对应关系的树。树中每一个非叶节点表示一个决策，该决策的值导致不同的决策结果(叶节点)或者影响后面的决策选择。 示例： 决策树 决策树类型 分类树：叶节点对应于一类别 回归树：叶节点对应于一连续值 ID3, C4.5 and C5.0 ( Ross Quinlan ) CART ( L.Breiman，J.Friedman，R.Olshen和C.Stone ) 思想：空间划分！ 比如，用变量y表示因变量（分类变量），用x1, x2, x3,...,xm表示自变量。通过递归的方式把关于自变量的m维空间划分为不重叠的矩形。 图示： 决策树 ID3=C4.5=C5.0 Ross Quinlan ID3 1986年 C4.5 1993年 C5.0 1998年 2011年获得KDD创新奖 /Personal/ /download.html / ID3/C4.5/C5.0的分类基础 信息熵 1948年，香农提出了“信息熵”的概念，解决了对系统信息的量化度量问题。 香农认为信息的准确信息量可以用下面的信息熵公式计算： 一个系统越是有序，信息熵就越低；反之，一个系统越乱，信息熵就越高。所以，信息熵也可以说是系统有序化程度的一个衡量。 信息增益（information gain） 是指期望信息或者信息熵的有效减少量。 信息增益率（information gain ratio） 由划分个数引起的偏置问题（划分越多=引起每个划分内部数据纯度的变化，分块越小，数据纯度可能越高=进而引起偏置问题）： 设样本集S按离散属性F的V个不同的取值划分为， 共V个子集 定义Split(S, F)： 则用F对S进行划分的信息增益率为： ID3 1986年由Quilan提出的ID3算法 选择具有最高信息增益的属性作为测试属性。 ID3(DataSet, featureList)： 创建根节点R 如果当前DataSet中的数据都属于同一类，则标记R的类别为该类 如果当前featureList 集合为空，则标记R的类别为当前 DataSet中样本最多的类别 递归情况： 从featureList中选择属性F（选择Gain(DataSet, F)最大的属性） 根据F的每一个值v，将DataSet划分为不同的子集DS，对于每一个DS： 创建节点C 如果DS为空，节点C标记为DataSet中样本最多的类别 如果DS不为空，节点C=ID3(DS, featureList - F) 将节点C添加为R的子节点 C源码：/ Day Outlook Temperature Humidity Wind Play ball D1 Sunny Hot High Weak No D2 Sunny Hot High Strong No D3 Overcast Hot High Weak Yes D4 Rain Mild High Weak Yes D5 Rain Cool Normal Weak Yes D6 Rain Cool Normal Strong No D7 Overcast Cool Normal Strong Yes D8 Sunny Mild High Weak No D9 Sunny Cool Normal Weak Yes D10 Rain Mild Normal Weak Yes D11 Sunny Mild Normal Strong Yes D12 Overcast Mild High Strong Yes D13 Overcast Hot Normal Weak Yes D14 Rain Mild High Strong No 示例-1 属性及值域： outlook = { sunny, overcast, rain }，temperature = {hot, mild, cool } humidity = { high, normal }，wind = {weak, strong } Gain(S, Temperature) = 0.029 Gain(S, Humidity) = 0.151 Gain(S, Wind) = 0.048 由此选择根节点划分属性为outlook 参考： /~ddd/cap6635/Fall-97/Short-papers/2.htm /wiki/ID3_algorithm C4.5 1993年由Quilan提出的C4.5算法(对ID3的改进) 信息增益率 连续值属性 缺失值 后剪枝 基于错误剪枝EBP(Error-Based Pr