决策树

决策树

介绍：决策树由结点和有向边组成，内部结点表示一个特征或属性，叶结点表示一个类。本质上决策树是通过一系列规则对数据进行分类的过程，发现数据模式和规则的核心是归纳算法。归纳学习存在一个基本的假设:任一假设如果能够在足够大的训练样本集中很好的逼近目标函数,则它也能在未见样本中很好地逼近目标函数。

学习算法包括：特征选择、决策树生成、决策树的剪枝。生成对应模型的局部选择，采用贪心的策略考虑局部最优；剪枝对应模型的全局选择，考虑全局最优。常用算法：ID3、C4.5、CART。三个算法的区别在于特征选择的策略不同：ID3使用信息增益，C4.5使用信息增益比，CART使用Gini指数，都是为了使当前数据集的不确定性即混乱程度降低。

决策树学习算法ID3

熵、信息增益和特征选择

熵是描述事物无序性的参数，“熵越大,不确定性越大”。随机变量的熵：熵只依赖于X的分布，与X的取值无关，故也可记为H(p)。

上图为随机变量X为0~1分布时的熵H(p)随概率p的变化曲线图。

信息增益：在某一个操作之前的系统熵与操作之后的系统熵的差值，也即是不确定性的减小量。信息的增加意味着不确定性的减少,也就是熵的减小。选择特征的标准:选择具有最大信息增益的特征。

熵H(Y)与条件熵H(Y|X)之差为互信息，信息增益等价于训练数据集中类与特征的互信息。

例：

根据信息增益准则的特征选择方法是：对训练集D计算其每个特征的信息增益，比较大小选择增益最大的特征。信息增益的算法：

信息增益比：信息增益值的大小是对特定的训练集来说的，熵大的时候信息增益会偏大，使用信息增益比可校正，这是特征选择的另一准则：改

            gr(D,A)=g(D,A)/H(D)

ID3用的信息增益在面对类别较少，每个类别都有一定数量的样本的离散数据时效果较好。当面对连续的数据（特征可以选取的值过多），或者每列数据没有明显的类别之分时（最极端的例子的该列所有数据都独一无二），ID3算法倾向于把每个数据自成一类，因为此时H(D)不变而H(D|A)=0，使得g(D,A)最大。故C4.5采用信息增益比，此时H(D)也称为A的内部信息。

决策树学习算法C4.5

若第三步按信息增益选最大特征则为ID3算法。

过拟合

交叉验证与树的修剪

避免过度拟合的方法：及早停止树增长；树的修剪。第二种方法被证明在实践中更成功。关键在于使用什么样的准则来确定最终正确树的规模。解决方法：

1. 使用与训练样例截然不同的一套分离的样例,来评估通过后修剪方法从树上修建节点的效用。
2. 使用所有可用数据进行训练,但进行统计测试来估计扩展(或修剪)一个特定的节点是否有可能改善在训练集合外的实例上的性能。
3. 使用一个明确的标准来衡量训练样例和决策树的复杂度,当这个编码的长度最小时停止树增长。

将树上的每一个节点作为修剪候选对象：

推导：

分类与回归树CART

CART假设决策树是二叉树，如果目标变量是标称的，并且是具有两个以上的类别,则

CART考虑将目标类别合并成两个超类别(双化)；如果目标变量是连续的,则CART算法找出一组基于树的回归方程来预测目标变量。

• 目标变量是类别的 --- 分类树——基尼指数最小化准则
• 目标变量是连续的 --- 回归树——平方误差最小化准则

一、 回归树的生成：最小二乘回归树生成算法

二、 分类树的生成

基尼指数Gini(D)表示集合D的不确定性，基尼指数值越大，样本集合的不确定性就越大。

CART剪枝

1. 从生成算法产生的决策树T0底端开始不断剪枝,直到T0的根结点,形成子树序列{T0,T1..Tn},
2. 通过交叉验证法在独立的验证数据集上对子树序列进行测试,从中选择最优子树

CART剪枝算法：

总结

转载于:https://www.cnblogs.com/Nautilus1s/p/6519260.html