点击上方“Datawhale”,选择“星标”公众号
第一时间获取价值内容
决策树是一个非常常见并且优秀的机器学习算法,它易于理解、可解释性强,其可作为分类算法,也可用于回归模型。 本文将分三篇介绍决策树,第一篇介绍基本树(包括 ID3、C4.5、CART),第二篇介绍 Random Forest、Adaboost、GBDT,第三篇介绍 Xgboost 和 LightGBM。
对于基本树我将大致从以下四个方面介绍每一个算法: 思想、划分标准、剪枝策略,优缺点。
ID3
ID3 算法是建立在奥卡姆剃刀(用较少的东西,同样可以做好事情)的基础上: 越是小型的决策树越优于大的决策树。
1.1 思想
从信息论的知识中我们知道: 期望信息越小,信息熵越大,从而样本纯度越低。 ID3 算法的核心思想就是以信息增益来度量特征选择,选择信息增益最大的特征进行分裂。 算法采用自顶向下的贪婪搜索遍历可能的决策树空间(C4.5 也是贪婪搜索)。
其大致步骤为:
-
初始化特征集合和数据集合;
-
计算数据集合信息熵和所有特征的条件熵,选择信息增益最大的特征作为当前决策节点;
-
更新数据集合和特征集合(删除上一步使用的特征,并按照特征值来划分不同分支的数据集合);
-
重复 2,3 两步,若子集值包含单一特征,则为分支叶子节点。
1.2 划分标准
ID3 使用的分类标准是信息增益,它表示得知特征 A 的信息而使得样本集合不确定性减少的程度。
数据集的信息熵:
其中 表示集合 D 中属于第 k 类样本的样本子集。
针对某个特征 A,对于数据集 D 的条件熵 H(D|A) 为:
其中 表示 D 中特征 A 取第 i 个值的样本子集, 表示 中属于第 k 类的样本子集。
信息增益 = 信息熵 - 条件熵:
信息增益越大表示使用特征 A 来划分所获得的“纯度提升越大”。
1.3 缺点
-
ID3 没有剪枝策略,容易过拟合;
-
信息增益准则对可取值数目较多的特征有所偏好,类似“编号”的特征其信息增益接近于 1;
-
只能用于处理离散分布的特征;
-
没有考虑缺失值。