分别手动模拟CLS算法.pdf

博观而约取，厚积而薄发。——苏轼

分别手动模拟CLS算法

I.决策树模型

1.决策树:决策时基于“树”结构,这也是模拟人在进行决策时

采用的策略;

2.决策树组成:根节点,内部节点,叶子节点,这些节点都是数据

的属性(特征);

①根节点:最初始判定的属性,判定区域是全局的数据集;

②内部节点:中间的判定属性,判定区域是符合某些特征的子数

据集;

②叶子节点:决策结果,位于决策树的最底层,每个叶子节点都是

一个决策结果;

3.决策树模型过程:

①训练过程:使用训练集数据确定决策时使用的属性,确定根节

点,内部节点,叶子节点的属性划分,训练决策树模型;

②预测过程:从根节点特征开始,根据决策树中的判定序列依次

从根节点向下判定,直到一个叶子节点;

II.决策树模型示例

1.需求场景:

①需求:电商网站为用户进行分类,目的是确定该用户是否有可

能购买某件商品,然后为其推送指定商品的广告;

②决策树使用:如何对用户进行分类,这里就用到了决策树模型,

将用户分成不同的类别;

博观而约取，厚积而薄发。——苏轼

2.数据集:决策过程中,根据每个节点所处理的数据集的特征,将

其划分到不同的子节点中进行处理;如数据集中是100个用户的信

息;

3.决策树构成:

①根节点决策:根节点处理年龄特征,小于30岁的用户划分到一

组,大于30岁的用户划分到另一组;

②内部节点决策:然后在小于30岁的用户中继续判定,学生划分

成一组,非学生划分成一组;

③叶子节点决策结果:学生会买电脑,非学生不会买电脑;

III.决策树算法列举

1.常用的决策树算法:

①CLS算法:这是第一个决策树算法,1966年提出;

②ID3算法:该算法使决策树称为机器学习主流技术,1979年提

出;

③C4.5算法:最常用的决策树算法;1993年提出;

④区别:上述三个算法五个组件基本一致,唯一的区别是确定属

性划分时的策略不同,即将哪个属性放在树根,将哪个属性放在内部

节点上,内部节点的属性所在层级如何设置;

2.属性划分策略:

①ID3算法属性划分策略:ID3使用信息增益策略;

②C4.5算法属性划分策略:C4.5使用的是增益率策略;

3.CART算法:既可以用于分类任务(结果是离散值),也可以用于

博观而约取，厚积而薄发。——苏轼

回归任务(结果是连续值);

4.FR算法:随机森林算法;使用了数据挖掘,机器学习中的集成

思想;有很多差的分类器,准确率都很低,但是多个分类器集成起来,

准确率就很高;

IV.决策树算法示例

1.需求场景:

①需求:电商网站为用户进行分类,目的是确定该用户是否有可

能购买某件商品,然后为其推送指定商品的广告;

②决策树使用:如何对用户进行分类,这里就用到了决策树模型,

将用户分成不同的类别,买的一类,和不买的一类;

2.模拟数据集:给出一组数据集,后面的所有计算都是基于该数

据集进行的;