机器学习总结(五):基本的决策树算法

(1) 特征选择

a.  信息增益:特征A对训练数据集D的信息增益g(D,A),定义为D的经验熵H(D)与特征A给定条件下D的经验条件熵H(D|A)之差,即g(D,A)= H(D)- H(D|A):

b.信息增益比:信息增益g(D,A)与训练数据集D个关于特征A的值的熵HA(D)之比,其中HA(D)为

(2)ID3算法

基本思想:以信息增益度量属性选择,选择分裂后信息增益最大的属性进行分裂。

缺点:偏向于多值属性

3)C4.5算法

基本思想:与ID3类似,以信息增益比度量属性选择。

缺点:与ID3一样,只有树的生成,容易产生过拟合。

(4)剪枝(有点难,网上有很多开源的python,R库,实现起来很简单)。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值