决策树的创建

决策树的选取规则就是使得不纯度降低,或降低混乱程度的过程

 

信息熵的定义:

一个事件的信息量随着其发生概率儿减小,且不能为负

对于两个不相关的事件x,y。那么观察到两个事件同事发生获取的信息量等于观察各自发生得到的信息量。

h(x,y) = h(x) + h(y)

如果x,y是互不相关事件,那么满足p(x,y) = p(x) * p(y)

从上面的推到可以看出h(x),p(x)之间是对数关系。

h(x)=-log_{2}p(x)

因为获取到的信息不能为负,所以要加负号。底数只是遵循普通传统。

熵是对可能产生信息量的期望,所以有:

 

目前有三种算法

ID3算法—信息增益:

信息增益 = 花分前信息熵 - 划分后信息熵

C4.5算法—信息增益比(类似惩罚项):

信息增益比 = 信息增益 * 1/系数 * 。系数定义如下:

 

 

CART算法(分类树)—基尼系数:

基尼指数(基尼不纯度):表示在样本集合中一个随机选中的样本被分错的概率。

 

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Graphviz是一个开源的图形可视化工具,可以用来创建各种类型的图表,包括决策树。下面是一个用Python语言结合Graphviz创建决策树的实例: 首先,我们需要安装Graphviz和python-graphviz库。 1. 打开终端,输入以下命令安装Graphviz: ```shell sudo apt-get install graphviz ``` 2. 接着,安装python-graphviz库: ```shell pip install graphviz ``` 然后,我们可以使用以下代码创建一个简单的决策树。 ```python from sklearn.datasets import load_iris from sklearn import tree import graphviz # 加载鸢尾花数据集 iris = load_iris() X, y = iris.data, iris.target # 创建决策树模型 clf = tree.DecisionTreeClassifier() clf = clf.fit(X, y) # 使用export_graphviz方法创建决策树图形 dot_data = tree.export_graphviz(clf, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True, special_characters=True) # 显示决策树图形 graph = graphviz.Source(dot_data) graph.view() ``` 运行以上代码后,将会弹出一个窗口显示决策树的图形。 注意,以上代码创建了一个基本的决策树,只是用来作为示例。在实际应用中,可能需要使用更复杂的数据集和调整一些参数来创建更准确的决策树模型。 总结起来,使用Graphviz创建决策树的步骤包括加载数据集、创建决策树模型、使用export_graphviz方法生成决策树图形,最后使用graphviz库显示图形。这样我们就能通过图形直观地理解决策树模型的决策过程了。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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