决策树培训讲义(50).pptxVIP

决策树-上;内容;决策树;决策树;决策树;ID3=C4.5=C5.0;ID3/C4.5/C5.0的分类基础;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;Day;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;C4.5;C4.5-连续型属性;C4.5-缺失值;C4.5-算法步骤示意;C4.5;C5.0;CART;CART;Gini指标 (Gini index);离散属性outlook={sunny, overcast, rain} Outlook值的子集有 =8个：{}, {sunny}, {overcast}, {rain}, {sunny, overcast}, {overcast, rain}, {sunny, rain}, {sunny, overcast, rain} 去除不代表任何分裂的集合：空集{}和全集{sunny, overcast, rain}。则基于Outlook的划分方式有3种： 分别计算每种划分的Gini指标：;CART - 分类树;CART - 分类树;CART_classification(DataSet, featureList, alpha,)： 创建根节点R 如果当前DataSet中的数据的类别相同，则标记R的类别标记为该类 如果决策树高度大于alpha，则不再分解，标记R的类别classify(DataSet) 递归情况： 标记R的类别classify(DataSet) 从featureList中选择属性F（选择Gini(DataSet, F)最小的属性划分，连续属性参考C4.5的离散化过程(以Gini最小作为划分标准)） 根据F，将DataSet做二元划分DS_L 和 DS_R： 如果DS_L或DS_R为空，则不再分解 如果DS_L和DS_R都不为空，节点 C_L= CART_classification(DS_L, featureList, alpha); C_R= CART_classification(DS_R featureList, alpha) 将节点C_L和C_R添加为R的左右子节点;CART- 回归树;CART- 回归树;CART_regression(DataSet, featureList, alpha, delta)： 创建根节点R 如果当前DataSet中的数据的值都相同，则标记R的值为该值 如果最大的phi值小于设定阈值delta，则标记R的值为DataSet应变量均值 如果其中一个要产生的节点的样本数量小于alpha，则不再分解，标记R的值为DataSet应变量均值 递归情况： 从featureList中选择属性F（选择phi(DataSet, F)最大的属性，连续属性（或使用多个属性的线性组合）参考C4.5的离散化过程 (以phi最大作为划分标准)） 根据F，将DataSet做二元划分DS_L 和 DS_R： 如果DS_L或DS_R为空，则标记节点R的值为DataSet应变量均值 如果DS_L和DS_R都不为空，节点 C_L= CART_regression(DS_L, featureList, alpha, delta); C_R= CART_regression(DS_R featureList, alpha, delta) 将节点C_L和C_R添加为R的左右子节点;CART;其他决策树;决策树剪枝;决策树剪枝;预剪枝;后剪枝;降低错误剪枝REP( Reduced Error Pruning);悲观错误剪枝PEP( Pessimistic Error Pruning );设原始决策树T，叶节点z，z节点训练实例个数为n_z，其中错分个数为e_z 定义误差率为： 偏向性（训练数据） 增加连续性校正： 相应的误差数：E_z = e_z + 0.5 对于子树t，误差数： 标准错误: 剪枝条件： ;基于错误剪枝EBP(Error-Based Pruning);置信区间;概率角度 错分样本率r(t)可看成是n(t)次试验中某事件发生e(t)次的概率---二项分布 得到关于错分样本率在置信水