机器学习之聚类算法、随机森林

随机森林

决策树

基础

概念：从根节点一步步走到叶子节点（决策）；
组成：根节点=第一个选择的节点；叶子节点=最终的决策结果；非叶子节点=中间过程；
训练：除叶子节点之外所有的特征节点，选择节点的过程以及构建树的过程；
测试：已知树的结构，输入数据，得到最终该数据要去哪个叶子节点；
如何选择特征：通过某种衡量标准，计算哪个特征作为根节点；衡量标准是熵；
熵值：表示随机变量的不确定性度量。公式如下：H(X)=-∑ pi* logpi, i=1,2,…n
概率是0-1之间的一个数，某类别概率越大，则logpi就越小，即给定数据中选择该类别对象，选中的概率越大。选不中的概率就越小（即熵值越小）；
信息增益：表示特征X使得类Y的不确定性减少的程度。通过选取X作为节点，将所有数据分成两组，每组计算熵值，于初始熵值比较，若熵值减少值最大，则说明该特征X选取合适。
决策树方式：需要采用预训练的方式，即需要带标签的数据。
特征的衡量标准，除了熵值还有GINI系数。某类别概率越大，GINI系数越小。

特征值问题？

特征有离散和连续，离散特征包含离散情况、类别变量；对于连续值应该如何判断？

聚类算法