机器学习(三)树模型

机器学习(三)树模型

3.1 划分选择
3.1.1 信息增益
熵的定义如下，熵越小，纯度越高

$$Entropy(D)=-\sum_{k=1}^{|y|}p_klogp_k\tag{3.1.1}$$
信息增益定义如下,属性a有v个取值
$$\begin{align} Gain(D,a)=&Entropy(D)-H(D|a)\notag\\ =&Entropy(D)-\sum_{v=1}^V\frac{|D^v|}{|D|}Entropy(D^v)\tag{3.1.2} \end{align}$$
信息增益越大，意味着使用属性a进行划分所获得纯度越大，ID3使用信息增益来划分属性
信息增益越容易偏向选择特征值较多的特征

3.1.2 信息增益率

$$Gain\_ratio(D,a)=\frac{Gain(D,a)}{IV(a)}\tag{3.1.3}$$
$$IV(a)=-\sum_{v=1}^V\frac{|D^v|}{|D|}log\frac{|D^v|}{|D|}\tag{3.1.4}$$
信息增益率对取值较少的特征有偏好 信息增益率 C4.5 启发式 先找信息增益高于平均的属性，再选择增益率最高的

3.1.3 基尼系数

$$\begin{align} Gini=&\sum_{k=1}^{|y|}\sum_{k\prime\neq k}p_kp_{k\prime}\notag\\ =&1-\sum_{v=1}^{|y|}p_k^2\tag{3.1.5} \end{align}$$
基尼系数直观来说，反映的是从数据集D中抽取两个样本，其类标记不一样的概率，Gini越高数据集纯度越高
$$Gini\_index(D,a)=\sum_{v=1}^V\frac{|D^v|}{|D|}Gini(D^v)\tag{3.1.6}$$
选择Gini指数较小的作为划分的标准

3.2 剪枝
预剪枝：
  每个结点划分时估计，若不能提升泛化性能 则停止分裂 将其作为叶节点
  降低了过拟合的风险 很多特征没有展开，但 有些特征在当前的划分不能带来提升泛化性能 在之后可能会提升，带来了欠拟合的风险

后剪枝：
  自底向上，对非叶结点考察，若将子树替换为叶节点能够带来泛化性能提升 则 将子树替换为叶节点
  相对于预剪枝 后剪枝保留了更多的分支，欠拟合风险小 泛化性能优于预剪枝
  时间花销太大 它是树训练完成之后的从低向上的

3.3 连续值与缺失值处理
连续值处理 二分法 大小排序后 划分点 取两边的中点
缺失值处理 计算属性信息增益率时 只考虑无缺失值的样本，然后乘以一定的权重

3.3 CART二叉树
3.3.1 分类问题 Gini index
生成过程：
  对个特征 A，对它的所有可能取值 a，将数据集分为 A＝a，和 A!＝a 两个子集，计算集合 D 的基尼指数

$$Gini\_index(D,A)=\frac{|D_{A=a}|}{|D|}Gini(D_{A=a})+\frac{|D_{A\neq a}|}{|D|}Gini(D_{A\neq a})\tag{3.3.1}$$
  遍历所有特征，计算所有可能的分割点，选择D的基尼指数最小值对应的特征作为特征值与切分点
  重复以上过程直至满足停止条件

停止条件：
  结点的样本个数小于给定阈值
  样本集的基尼系数小于给定阈值
  没有更多的特征

3.3.1 回归问题

$$f(x)=\sum_{i=1}^Mc_mI(x\in R_m)\tag{3.3.2}$$
  数据空间被划分成了 R1～Rm 单元，每个单元上有一个固定的输出值 cm，每个单元上的 cm，可以使得这个平方误差最小化，易知当 cm 为相应单元上的所有实际值的均值时，可以达到最优

生成过程：
  假设，我们选择变量 $x_j$ 为切分变量，它的取值 s 为切分点，那么就会得到两个区域
  当 j 和 s 固定时，我们要找到两个区域的代表值 c1，c2 使各自区间上的平方差最小

$$\min_{j,s}[\min_{c_1}\sum_{x_i\in R_{1}(j,s)}(y_i-c_1)^2+\min_{c_2}\sum_{x_i\in R_{2}(j,s)}(y_i-c_2)^2]\tag{3.3.3}$$
   $c_m=ave(y_1|x_i\in R_m)$对应输出的均值
  对固定的 j 只需要找到最优的 s，然后通过遍历所有的变量，我们可以找到最优的 j，并得到两个区间

总结：
  考虑数据集 D 上的所有特征 j，遍历每一个特征下所有可能的取值或者切分点 s，将数据集 D 划分成两部分 D1 和 D2
  分别计算上述两个子集的平方误差和，选择最小的平方误差对应的特征与分割点，生成两个子节点。
  对上述两个子节点递归调用步骤(1)(2),直到满足停止条件。