2025年人工智能实践探索深度学习应用解析.docxVIP

决策树算法

一、决策树算法简介：

决策树算法是一种迫近离散函数值的措施。它是一种经典的分类措施，首先对数据进行处理，运用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树措施的基本思想是：运用训练集数据自动地构造决策树，然后根据这个决策树对任意实例进行鉴定。其中决策树(DecisionTree)是一种简朴不过广泛使用的分类器。通过训练数据构建决策树，可以高效的对未知的数据进行分类。决策数有两大长处：1)决策树模型可以读性好，具有描述性，有助于人工分析；2)效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。

决策树算法构造决策树来发现数据中蕴涵的分类规则.怎样构造精度高、规模小的决策树是决策树算法的关键内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般状况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪技：决策树的剪枝是对上一阶段生成的决策树进行检查、校正和修下的过程，重要是用新的样本数扼集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡精确性的分枝剪除、

决策树措施最早产生于上世纪60年代，到70年代末。由JRossQuinlan提出了ID3算法，此算法的目的在于减少树的深度。不过忽视了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改善，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改善，既适合于分类问题，又适合于回归问题。

本节将就ID3算法展开分析和实现。ID3算法：

ID3算法最早是由罗斯昆(J.RossQuinlan)于1975年在悉尼大学提出的一种分类预测算法，算法的关键是“信息熵”。ID3算法通过计算每个属性的信息增益，认为信息增益高的是好属性，每次划分选用信息增益最高的属性为划分原则，反复这个过程，直至生成一种能完美分类训练样例的决策树。

在ID3算法中，决策节点属性的选择运用了信息论中的熵概念作为启发式函数。

在这种属性选择措施中，选择具有最大信息增益(informationgain)的属性作为目前划分节点。通过这种方式选择的节点属性可以保证决策树具有最小的分枝数量，使得到的决策树冗余最小。

伪代码：

ID3(Examples,Target_attribute,Attributes)

Examples即训练样例集。Target_attribute是这棵树要预测的目标属性。Attributes

是除目标属性外供学习到的决策树测试的属性列表。返回能正确分类给定Examples的决策树。

●创建树的Root结点

●如果Examples都为正，那么返回label=+的单结点树Root

●如果Examples都为反，那么返回label=的单结点树Root

●如果Attributes为空，那么返回单结点树Root,label=Examples中最普遍的

Target_attribute值

●否则

●A+Attributes中分类Examples能力最好*的属性

●Root的决策属性←A

●对于A的每个可能值v;

●在Root下加一个新的分支对应测试A=v;

●令Examples,为Examples中满足A属性值为v,的子集

●如果Examples,为空

●在这个新分支下加一个叶子结点，结点的label=Examples中最普遍的Target_attribute值

●否则在这个新分支下加一个子树ID3(Examples,

Target_attribute,Attributes-{A})

●●Root/jameshadoop

●

●

二、试验过程

1.试验数据集

这个样例集中，每个属性都是离散值的，持续的属性已经被离散化。将图中的样例集转换成图2中所示的格式并保留到文献中以供项目程序读取数据。图2中“@attribute”行所对应的是样例集中的测试属性和目的属性，以及它们属性值。而“@data”行背面的每一行数据则对应了样例集中的一条样例。

测试属性：

outlook,天气状况，属性值为{sunny,overcast,rainy};

temperature,气温，属性值为{hot,mild,cool};humidity,湿度，属性值为{high,normal};

Windy,与否有风，属性值为{TRUE,FALSE}。目的属性：

Play,