通过ID3理解机器学习之决策树算法

注：本文素材大部分来自彭亮博士的课程

使用范围：决策树适用于处理小规模数据集，直观，便于理解

一、定义

决策树（Decision Tree）：决策树是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。（如图所示）

决策树结构

二、原理

要想理解ID3决策树算法，首先要了解熵的概念

1、熵： 1948年，香农提出了 ”信息熵(entropy)“的概念一条信息的信息量大小。它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者是我们一无所知的事情，需要了解大量信息==>信息量的度量就等于不确定性的多少。

比特(bit)来衡量信息的多少：

例子：猜世界杯冠军，假如一无所知，猜多少次？

每个队夺冠的几率不是相等的

变量的不确定性越大，熵也就越大

   2、ID3算法：选择属性判断结点

     信息获取量(InformationGain)：Gain(A) = Info(D) - Infor_A(D)

通过A来作为节点分类获取了多少信息

 

类似，Gain(income)= 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048

 

         所以，选择age作为第一个根节点

注意：对连续值要取阈值分割成离散值