决策树
决策树是一种基本的分类、回归方法,呈树形结构。决策树定义如下:
定义(决策树): 分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型:内部结点和叶结点。内部结点表示一个特征或属性,叶结点表示一个类。
决策树学习时,利用训练数据,根据损失函数最小化的原则建立决策树模型,预测时,对新的数据,利用决策树模型进行分类。决策树的学习包括三个步骤:特征选择,决策树的生成和决策树的修剪。
特征选择
特征选择通过选取对训练数据具有更强分类能力的特征,提高决策树学习的效率。如果利用一个特征进行分类的结果与随机分类的结果没有很大差别,则称这个特征是没有分类能力的。通常,特征选择的准则是信息增益或信息增益比。
信息增益(ID3算法)
熵是随机变量不确定性的度量,有限取值的离散随机变量 X X X的熵P为, H ( X ) = ∑ i = 1 n p i log p i , H(X)=\sum_{i=1}^np_i\log p_i, H(X)=i=1∑npilogpi,其中 p i = P ( X = x i ) , i = 1 , ⋯ , n p_i=P(X=x_i),i=1,\cdots,n pi=P(X=xi),i=1,⋯,n。当 X X X取各值的概率相等、即 p 1 = ⋯ = p n p_1=\cdots=p_n p1=⋯=pn时,随机变量的不确定性最大,熵 H ( X ) H(X) H(X)也最大。
条件熵定义为, H ( Y ∣ X ) = ∑ i = 1 n p i H ( ∣ Y ∣ X = x i ) , H(Y|X)=\sum_{i=1}^np_iH(|Y|X=x_i), H(Y∣X)=i=1∑npiH(∣Y∣X=xi),其中 H ( Y ∣ X = x i ) H(Y|X=x_i) H(Y∣X=xi)为将 H ( X ) H(X) H(X)中的先验概率换为条件概率 P ( Y = y j ∣ X = x i ) P(Y=y_j|X=x_i) P(Y=yj∣X=xi),其含义是随机变量 X X X取值为 x i x_i xi时,随机变量 Y Y Y的不确定性。 H ( Y ∣ X ) H(Y|X) H(Y∣X)为随机变量 X X X确定时,随机变量 Y Y Y的平均不确定性,平均取在 X X X的所有可能值上。
例如,若 Y Y Y与 X X X具有很强的联系—— Y Y Y可由 X X X唯一确定,则 H ( Y ∣ X = x i ) = 0 H(Y|X=x_i)=0 H(Y∣X=xi)=0,相应的条件熵也为零,即当 X X X确定时, Y Y Y的不确定性为0。
信息增益表示得知特征 X X X<