XGBOOST算法完整推论

$$XGBOOST$$

---

ID3:

信息增益(information gain)
$$Gain(D,a)=Ent(D)-\sum _{v=1}^V\frac{|D^v|}{|D|}Ent(D^v)(1)$$
其中：$Ent(D)=-{\sum }_{k=1}^y{P}_{k}lo{g}_2{P}_k$也称为熵。
\quad\quad 决策树的本质是训练数据集中归纳出一组分类规则，我们需要的是一个训练数据矛盾较小的决策树，同时具有很好的泛化能力。$Ent(D)$的值越小，则$D$的训读就越高,熵表示随机变量不确定性的度量。
$$表一：贷款申请样本数据表$$

ID	年龄	有工作	有自己房子	信贷情况	类别
1	青年	否	否	一般	否
2	青年	否	否	好	否
3	青年	是	否	好	是
4	青年	是	是	一般	是
5	青年	否	否	一般	否
6	中年	否	否	一般	否
7	中年	否	否	好	否
8	中年	是	是	好	是
9	中年	否	是	非常好	是
10	中年	否	是	非常好	是
11	老年	否	是	非常好	是
12	老年	否	是	好	是
13	老年	是	否	好	是
14	老年	是	否	非常好	是
15	老年	否	否	一般	否

例题一：计算上述个样本的信息增益
① $H(D)=-\frac{9}{15}lo{g}_2\frac{9}{15}-\frac{6}{15}lo{g}_2\frac{6}{15}=0.971$

$g(D,A_1)=H(D)-[\frac{5}{15}H(D_1)+\frac{5}{15}H(D_2)+\frac{5}{15}H(D_3)]$

\quad\quad\quad\quad $=0.971-[\frac{5}{15}(-\frac{2}{5}lo{g}_2\frac{2}{5})-\frac{3}{5}lo{g}_2\frac{3}{5})$

\quad\quad\quad\quad\quad\quad\quad\quad $+\frac{5}{15}(-\frac{3}{5}lo{g}_2\frac{3}{5})-\frac{2}{5}lo{g}_2\frac{2}{5})$

\quad\quad\quad\quad\quad\quad\quad\quad $+\frac{5}{15}(-\frac{4}{5}lo{g}_2\frac{4}{5})-\frac{1}{5}lo{g}_2\frac{1}{5})]$

\quad\quad\quad\quad $=0.971-0.888$
\quad\quad\quad\quad $=0.083$
②$g(D,A_2)=H(D)-[\frac{5}{15}H(D_1)+\frac{10}{15}H(D_2)]$
\quad\quad\quad\quad\quad $=0.971-0.647$
\quad\quad\quad\quad\quad $=0.324$
③$g(D,A_3)=H(D)-[\frac{6}{15}H(D_1)+\frac{9}{15}H(D_2)]$

\quad\quad\quad\quad\quad $=0.971-0.551$
\quad\quad\quad\quad\quad $=0.420$
④$g(D,A_4)=H(D)-[\frac{4}{15}H(D_1)+\frac{6}{15}H(D_2)+\frac{5}{15}H(D_3)]$

\quad\quad\quad\quad\quad $=0.971-0.608$
\quad\quad\quad\quad\quad $=0.363$

C4.5：

\qquad 特征A对训练数据集D的信息增益比$g_R(D,A)$定义为其信息增益$g(D,A)$与训练数据集D关于特征A的值的熵$H_A(D)$之比即：$$gainRatio(D,A)=\frac{g(D,A)}{H_A(D)}(2)$$
其中：$H_A(D)={\sum }_{i=1}^n\frac{|D_i|}{|D|}lo{g}_2\frac{|D_i|}{|D|}$
例如：对年龄求$H_A(D)$
则$H_{A_1}(D)=-\frac{5}{15}(-\frac{2}{5}log\frac{2}{5}-\frac{3}{5}log\frac{3}{5})$

  $=-\frac{5}{15}(-\frac{3}{5}log\frac{3}{5}-\frac{2}{5}log\frac{2}{5})$

  $=-\frac{5}{15}(-\frac{4}{5}log\frac{4}{5}-\frac{1}{5}log\frac{1}{5})$

  $=0.888$
则$gainRatio(D,A_1)=\frac{g(D,A_1)}{H_{A1}(D)}=\frac{0.083}{0.888}=0.093$

同理：$gainRatio(D,A_2)=\frac{0.324}{0.647}=0.501$

$gainRatio(D,A_3)=\frac{0.420}{0.551}=0.762$

$gainRatio(D,A_4)=\frac{0.363}{0.608}=0.597$
\quad 增益率准则对可取值数目较少的属性有所偏好，因此C4.5算法并不是直接选取增益率最大的候选划分属性，而是使用了一个启发式：先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益最高的。
剪枝
\quad 预剪枝：在决策树生成过程过程中，在每个节点上划分之前先进行估计，若当前节点的划分不能带来决策树的泛化性能提升，则停止划分并将当前节点标记为叶节点。
\quad 后剪枝：是先从训练集中生成一棵完整的决策树，然后自底向上对非叶节点进行考察，若将该节点对应的子树替换为叶节点能带来决策树泛化性能的提升，则将该子树替换为叶节点。
\quad 决策树的剪枝，往往是通过极小化决策树整体的损失函数或代价函数来实现，决策树学习的损失函数可以定义为：$$C_{\alpha }(T)=\sum _{t=1}^{|T|}{N}_t{H}_t(T)+\alpha |T|(3)$$
其中：$|T|$为叶子节点个数，$t$是树$|T|$的叶节点，该叶节点有$N_t$个样本点，其中$k$类的样本点有$N_{tk}$个。
$$H_t(T)=-\sum _k\frac{N_{tk}}{N_t}lo{g}_2\frac{N_{tk}}{N_t}(4)$$
在损失函数中
$$C(T)=\sum _{t=1}^{|T|}{N}_t{H}_t(T)=-\sum _{t=1}^{|T|}\sum _{k=1}^K{N}_{tk}lo{g}_2\frac{N_{tk}}{N_t}(5)$$
则$C_{\alpha }(T)=C(T)+\alpha |T|$

例：$|T|$其实就是模型的复杂度。

颜色	测试人员	结果
yellow	adult	1
yellow	child	0

$1^{°}$局部剪枝前，该节点的损失为：$C_{\alpha }(T)=C(T)+\alpha |T|=0+2\alpha =2\alpha$
$2^{°}$局部剪枝后，该节点的损失为：$C_{\alpha }(T)=C(t)+\alpha |t|=C(t)+\alpha$

其中：$C(t)=N_t{H}_t=2(-\frac{1}{2}log\frac{1}{2}-\frac{1}{2}log\frac{1}{2})=2$

故：$C_{\alpha }(T)=2+\alpha$，定义$\alpha =\frac{特征个数}{2}$

CART

\quad CART同样是由特征选择树的生成及剪枝组成，既可用于分类也可用于回归，常用Gini系数度量。
\quad CART由两步组成，①决策树的生成基于训练数据生成决策树，生成的树尽量大。②决策树的剪枝，用验证数据集对已经生成的树进行剪枝，并选择最优子树，此时用损失函数最小作为剪枝的标准。
**例：**还以前面表格为例
$A_1,A_2,A_3,A_4$分别表示年龄、有工作、有自己房子和信贷情况这四个特征并以1、2、3表示青中老年，以1、2表示有工作和有自己房子的值为是和否，以1、2、3表示信贷情况的值为非常好、好、一般，求特征A的基尼指数。
$Gain(D,A_1=1)=\frac{5}{15}[2\times \frac{2}{5}\times (1-\frac{2}{5})+\frac{10}{15}[2\times \frac{7}{10}\times (1-\frac{7}{10})]=0.44$

$Gain(D,A_1=2)=\frac{5}{15}[2\times \frac{3}{5}\times (1-\frac{3}{5})+\frac{10}{15}[2\times \frac{6}{10}\times (1-\frac{6}{10})]=0.48$

$Gain(D,A_1=3)=\frac{5}{15}[2\times \frac{4}{5}\times (1-\frac{4}{5})+\frac{10}{15}[2\times \frac{5}{10}\times (1-\frac{5}{10})]=0.44$
即：$A_1、A_3$都可以，选$A_1$青年一类，(中、老年)为一类。
有工作和有自己的房子都是二份，可以不用切分，则信贷情况$A_4$:
$Gain(D,A_4=1)=\frac{4}{15}\times 0+\frac{11}{15}[2\times \frac{5}{11}\times (1-\frac{5}{11})]=0.36$

$Gain(D,A_4=2)=0.47$

$Gain(D,A_4=3)=0.32$
则：$Gain(D,A_4=3)$最小，故选为最优切分点。
$\{\begin{array}{l}Gain(D,\end{array}$