决策树

一、决策树之信息论基础
（一）起源
决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法 。
（二）信息熵
H = -(p1logp1 + p2logp2 + … + p32log32)
H的专业术语称之为信息熵，单位为比特。信息和消除不确定性是相联系的。
公式：

（三）决策树的划分依据之一-信息增益
信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度。特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差，即公式为：

二、常见决策树使用的算法
（一）ID3
信息增益最大的准则
（二）C4.5
信息增益比最大的准则
（三）CART
回归树: 平方误差最小
分类树: 基尼系数最小的准则（在sklearn中可以选择划分的默认原则）
三、sklearn决策树API
classsklearn.tree.DecisionTreeClassifier(criterion=‘gini’,max_depth=None,random_state=