决策树学习相关资料.pptVIP

一.示例学习 示例学习也称实例学习, 它是一种归纳学习。示例学习是从若干实例(包括正例和反例)中归纳出一般概念或规则的学习方法。 第一个拱桥的语义网络 第二个拱桥的语义网络 第一页，共二十六页。 学习程序归纳出的语义网络 拱桥概念的语义网络 第二页，共二十六页。 例 1 假设示例空间中有桥牌中同花概念的两个示例: 示例1： 花色(c1，梅花)∧花色(c2，梅花)∧花色(c3，梅花)∧花色(c4，梅花)→同花(c1，c2，c3，c4) 示例2： 花色(c1，红桃)∧花色(c2，红桃)∧花色(c3，红桃)∧花色(c4，红桃)→同花(c1，c2，c3，c4) 关于同花的一般性规则: 花色(c1，x)∧花色(c2，x)∧花色(c3，x)∧花色(c4，x)→同花(c1，c2，c3，c4) 第三页，共二十六页。 对于这个问题可采用通常的曲线拟合技术，归纳出规则： (x，y，2x+3y+1) 即 z＝2x＋3y＋1 例2 假设示例空间存放有如下的三个示例： 示例1：(0，2，7) 示例2：(6，-1，10) 示例3：(-1，-5，-10) 这是三个3维向量，表示空间中的三个点。现要求求出过这三点的曲线。 第四页，共二十六页。 二.决策树学习 1．什么是决策树 决策树(decision tree)也称判定树，它是由对象的若干属性、属性值和有关决策组成的一棵树。其中的节点为属性（一般为语言变量），分枝为相应的属性值（一般为语言值）。从同一节点出发的各个分枝之间是逻辑“或”关系；根节点为对象的某一个属性；从根节点到每一个叶子节点的所有节点和边，按顺序串连成一条分枝路径，位于同一条分枝路径上的各个“属性-值”对之间是逻辑“与”关系，叶子节点为这个与关系的对应结果，即决策。 第五页，共二十六页。 决策树示意图 第六页，共二十六页。 例3 　下图所示是机场指挥台关于飞机起飞的简单决策树。 第七页，共二十六页。 例4 　下图是一个描述“兔子”概念的决策树。 第八页，共二十六页。 2. 怎样学习决策树 决策树学习的基本方法和步骤： 首先，选取一个属性，按这个属性的不同取值对实例集进行分类；并以该属性作为根节点，以这个属性的诸取值作为根节点的分枝，进行画树。 然后，考察所得的每一个子类，看其中的实例的结论是否完全相同。如果完全相同，则以这个相同的结论作为相应分枝路径末端的叶子节点；否则，选取一个非父节点的属性，按这个属性的不同取值对该子集进行分类，并以该属性作为节点，以这个属性的诸取值作为节点的分枝，继续进行画树。 如此继续，直到所分的子集全都满足：实例结论完全相同，而得到所有的叶子节点为止。 第九页，共二十六页。 ● 决策树学习举例 设表1 所示的是某保险公司的汽车驾驶保险类别划分的部分事例。我们将这张表作为一个实例集，用决策树学习来归纳该保险公司的汽车驾驶保险类别划分规则。 第十页，共二十六页。 表1 汽车驾驶保险类别划分实例集 第十一页，共二十六页。 将实例集简记为 S={(1,C), (2,C), (3,C), (4,B), (5,A), (6,A), (7,C), (8,B), (9,A), (10,A), (11,B), (12,B)} 其中每个元组表示一个实例，前面的数字为实例序号，后面的字母为实例的决策项保险类别。 用 “小”、“中”、“大” 分别代表 “＜21”、“≥21且≤25”、“＞25” 这三个年龄段。 第十二页，共二十六页。 对于S，我们按属性“性别”的不同取值将其分类。由表1 可见，这时S应被分类为两个子集： S1= {(3,C), (4,B), (7,C), (8,B), (11,B), (12,B)} S2={(1,C), (2,C), (5,A), (6,A), (9,A), (10,A)} 于是，我们得到以性别作为根节点的部分决策树（见下图）。 第十三页，共二十六页。 决策树生成过程 第十四页，共二十六页。 决策树生成过程 第十五页，共二十六页。 决策树生成过程 第十六页，共二十六页。 最后生成的 决策树 第十七页，共二十六页。 由决策树所得的规则集： ① 女性且年龄在25岁以上，则给予A类保险； ② 女性且年龄在21岁到25岁之间，则给予A类保险； ③ 女性且年龄在21岁以下，则给予C类保险； ④ 男性且年龄在25岁以上，则给予B类保险；