决策树——（二）决策树的生成与剪枝ID3,C4.5

1.基本概念

在正式介绍决策树的生成算法前，我们先将之前的几个概念梳理一下：

1.1 信息熵

设$X$是一个取有限个值的离散型随机变量，其分布概率为
$$P(X=x_i)=p_i,i=1,2,...,n$$

则随机变量$X$的熵定义为
$$H(X)=-\sum _{i=1}^n{p}_i\log p_i\text{\hspace{1em}(1.1)}$$

其中，若$p_i=0$，则定义$0\log 0=0$；且通常$\log$取2为底和$e$为底时，其熵的单位分别称为比特(bit)或纳特(nat).如无特殊说明，默认2为底。

1.2 条件熵

设有随机变量$(X,Y)$，其联合概率分布分
$$P(X=x_i,Y=y_i)=p_{ij},i=1,2,...,n;j=1,2,...,m$$

条件熵$H(Y|X)$表示在已知随机变量$X$的条件下，随机变量$Y$的不确定性。其定义为
$$H(Y|X)=\sum _{i=1}^n{p}_{i}H(Y|X=x_i)\text{\hspace{1em}(1.2)}$$

其中，$p_i=P(X=x_i),i=1,2,...,n$
当熵和条件熵中的概率由数据估计（特别是极大似然估计）得到时，所对应的熵与条件熵分别称之为经验熵(empirical entropy)和经验条件熵(empirical coditional entropy)。事实上我们在实际处理的时候确实时用的经验熵和经验条件熵，这一点同朴素贝叶斯中的处理一样。

1.3 信息增益

特征$A$对训练数据集$D$的信息增益$d(D,A)$，定义为集合$D$的经验熵$H(D)$与特征$A$给定条件下$D$的经验条件熵$H(D|A)$之差，即
$$g(D,A)=H(D)-H(D|A)\text{\hspace{1em}(1.3)}$$

设训练集为$D$，$|D|$表示其样本容量，即样本个数。设有$K$个类$C_k,k=1,2,...,K;|C_k|$为属于类$C_k$的样本的个数，即${\sum }_{k=1}^K|C_k|=|D|$.设特征$A$有$n$个不同的取值$a_1,a_2,...,a_n$，根据特征$A$的取值将$D$划分为$n$个子集$D_1,D_2,...,D_n$,$|D_i|$为$D_i$的样本个数，即${\sum }_{i=1}^n|D_i|=|D|$.记子集$D_i$中，属于类$C_k$的样本集合为$D_{ik}$，即$D_{ik}=D_i\bigcap C_k$，$|D_{ik}|$为$D_{ik}$的样本个数. 则有：
（1）数据集$D$的经验熵$H(D)$为
$$H(D)=-\sum _{k=1}^K\frac{|C_k|}{|D|}{\log }_2\frac{|C_k|}{|D|}\text{\hspace{1em}(1.4)}$$

（2）特征值A对数据集$D$的经验条件熵$H(D|A)为$
$$H(D|A)=\sum _{i=1}^n\frac{|D_i|}{|D|}H(D_i)=-\sum _{i=1}^n\frac{|D_i|}{|D|}\sum _{k=1}^K\frac{|D_{ik}|}{|D_i|}{\log }_2\frac{D_{ik}}{D_i}\text{\hspace{1em}(1.5)}$$

（3）信息增益
$$g(D,A)=H(D)-H(D|A)\text{\hspace{1em}(1.6)}$$

仅看上面的公式肯定会很模糊，还是举个例子来说明一下(将公式同下面的计算式子对比着看会更容易理解).下表是一个由15个样本组成的贷款申请训练数据集。数据包括4个特征，最后一列表示是否通过申请。
$$\begin{array}{cccccc}ID& \text{年龄}& \text{有工作}& \text{有自己的房子}& \text{贷款情况}& \text{类别}\\ 1& \text{青年}& \text{否}& \text{否}& \text{一般}& \text{否}\\ 2& \text{青年}& \text{否}& \text{否}& \text{好}& \text{否}\\ 3& \text{青年}& \text{是}& \text{否}& \text{好}& \text{是}\\ 4& \text{青年}& \text{是}& \text{是}& \text{一般}& \text{是}\\ 5& \text{青年}& \text{否}& \text{否}& \text{一般}& \text{否}\\ 6& \text{中年}& \text{否}& \text{否}& \text{一般}& \text{否}\\ 7& \text{中年}& \text{否}& \text{否}& \text{好}& \text{否}\\ 8& \text{中年}& \text{是}& \text{是}& \text{好}& \text{是}\\ 9& \text{中年}& \text{否}& \text{是}& \text{非常好}& \\ 10& \text{中年}& \text{否}& \text{是}& \text{非常好}& \\ 11& \text{老年}& \text{否}& \text{是}& \text{非常好}& \\ 12& \text{老年}& \text{否}& \text{是}& \text{好}& \\ 13& \text{老年}& \text{是}& \text{否}& \text{好}& \\ 14& \text{老年}& \text{是}& \text{否}& \text{非常好}& \\ 15& \text{老年}& \text{否}& \text{否}& \text{一般}& \end{array}$$