决策树

一：什么是决策树/判定树（decision tree)?

      判定树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.

二 算法举例

三 熵（entropy）概念

信息和抽象，如何度量？

1948年，香农提出了 ”信息熵(entropy)“的概念

        一条信息的信息量大小和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

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

          比特(bit)来衡量信息的多少

          变量的不确定性越大，熵也就越大

---

四 决策树归纳算法 

4.1 ID3

1970-1980， J.Ross. Quinlan, ID3算法

选择属性判断结点

信息获取量(Information Gain)：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

重复上述步骤....

算法：

1. 树以代表训练样本的单个结点开始（步骤1）。
2. 如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2 和3）。
3. 否则，算法使用称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。在算法的该版本中，
4. 所有的属性都是分类的，即离散值。连续属性必须离散化。
5. 对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
6. 算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）。
7. 递归划分步骤仅当下列条件之一成立停止：
8. (a) 给定结点的所有样本属于同一类（步骤2 和3）。
9. (b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
10. 这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
11. 点样本的类分布。
12. (c) 分枝
13. test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
14. 创建一个树叶（步骤12）

4.2  其他算法

C4.5:  信息增益率  Quinlan

Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)

ID3这里考虑了一列ID,每个ID出现一次，所以算出的信息增益大。
H(x)=0H(x)=0,信息增益最大化了，可以引入信息增益率

共同点：都是贪心算法，自上而下(Top-down approach)

区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)

CART:基尼(Gini)系数：

4.3 如何处理连续性变量的属性？ 

---

五 树剪枝叶 （避免overfitting)

         按以上生成方式递归地产生决策树容易过拟合，即在训练集上分类效果非常好，但是泛化能力不强，对于其他数据集分类效果并没有那么准确。其原因是，构建出的决策树往往过于复杂，那么解决这个问题的办法就是通过剪枝算法降低树结构的复杂度。

       剪枝是一个从已生成的树上裁掉一些子树或者叶结点，并将其根结点或父节点作为新的叶结点的过程。
 

5.1 先剪枝

5.2 后剪枝

---

六 决策树的优缺点

6.1 优点

• 直观，便于理解，小规模数据集有效     

6.2 缺点

• 处理连续变量不好
• 类别较多时，错误增加的比较快
• 可规模性一般