8-1决策树

haozhepeng

于 2019-07-05 13:32:46 发布

阅读量302

点赞数

分类专栏：学习-机器学习机器学习数据挖掘

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/haozhepeng/article/details/94720128

版权

本文介绍了熵在衡量随机变量不确定性中的作用，包括联合熵、条件熵、对偶式和互信息。接着深入讨论了决策树的学习过程，如ID3、C4.5和CART算法，以及如何通过信息增益、信息增益率和基尼指数来选择最佳分叉依据。最后，文章提到了解决决策树过拟合问题的剪枝策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、熵 entropy

表示随机变量不确定性，熵越大，不确定性越大。

1.联合熵

两个随机变量X，Y的联合分布，可以形成
联合熵Joint Entropy，用H(X,Y)

2.条件熵：

H(Y|X) = H(X,Y) - H(X)

根据互信息定义展开得到

H(Y|X) = H(Y) - I(X,Y)

3. 对偶式
H(X|Y)= H(X,Y) - H(Y)
H(X|Y)= H(X) - I(X,Y)

4.交叉熵

相对熵，又称互熵，交叉熵，鉴别信息，Kullback熵，Kullback-Leible散度等
设p(x)、q(x)是X中取值的两个概率分布，则p对q的
相对熵是

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。