一、决策树/判断树(decision tree)
1、概念:决策树是一个类似于流程图的树结构:其中,每个内部节点表示在一个属性上的测试,每个分支表一个属性输出,而每个树叶节点代表类或类分布。树的最顶层是根结点。
2、熵:
H(X)=-(p1*logp1+p2*logp2+...+pn*logpn)
3、算法:
信息获取量:Gain(A) = info(D)-infor_A(D)
树以代表训练样本的单个结点开始(步骤1)。
如果样本都在同一个类,则该结点成为树叶,并用该类标号(步骤2 和3)。
否则,算法使用称为信息增益的基于熵的度量作为启发信息,选择能够最好地将样本分类的属性(步骤6)。该属性成为该结点的“测试”或“判定”属性(步骤7)。在算法的该版本中,
所有的属性都是分类的,即离散值。连续属性必须离散化。
对测试属性的每个已知的值,创建一个分枝,并据此划分样本(步骤8-10)。
算法使用同样的过程,递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上,就不必该结点的任何后代上考虑它(步骤13)。
递归划分步骤仅当下列条件之一成立停止:
(a) 给定结点的所有样本属于同一类(步骤2 和3)。
(b) 没有剩余属性可以用来进一步划分样本(步骤4)。在此情况下,使用多数表决(步骤5)。
这涉及将给定的结点转换成树叶,并用样本中的多数所在的类标记它。替换地,可以存放结
点样本的类分布。
(c) 分枝
test_attribute = a i 没有样本(步骤11)。在这种情况下,以 samples 中的多数类
创建一个树叶(步骤12)
4、优点:
直观,便于理解,小规模数据集有效
5、缺点:
1、概念:决策树是一个类似于流程图的树结构:其中,每个内部节点表示在一个属性上的测试,每个分支表一个属性输出,而每个树叶节点代表类或类分布。树的最顶层是根结点。
2、熵:
H(X)=-(p1*logp1+p2*logp2+...+pn*logpn)
3、算法:
信息获取量:Gain(A) = info(D)-infor_A(D)
树以代表训练样本的单个结点开始(步骤1)。
如果样本都在同一个类,则该结点成为树叶,并用该类标号(步骤2 和3)。
否则,算法使用称为信息增益的基于熵的度量作为启发信息,选择能够最好地将样本分类的属性(步骤6)。该属性成为该结点的“测试”或“判定”属性(步骤7)。在算法的该版本中,
所有的属性都是分类的,即离散值。连续属性必须离散化。
对测试属性的每个已知的值,创建一个分枝,并据此划分样本(步骤8-10)。
算法使用同样的过程,递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上,就不必该结点的任何后代上考虑它(步骤13)。
递归划分步骤仅当下列条件之一成立停止:
(a) 给定结点的所有样本属于同一类(步骤2 和3)。
(b) 没有剩余属性可以用来进一步划分样本(步骤4)。在此情况下,使用多数表决(步骤5)。
这涉及将给定的结点转换成树叶,并用样本中的多数所在的类标记它。替换地,可以存放结
点样本的类分布。
(c) 分枝
test_attribute = a i 没有样本(步骤11)。在这种情况下,以 samples 中的多数类
创建一个树叶(步骤12)
4、优点:
直观,便于理解,小规模数据集有效
5、缺点:
处理连续变量不好,类别较多时,错误增加的比较快,可规模性一般
模拟源代码:
# coding=utf-8
#根据信息熵来计算信息获取量
import math
#结果信息熵
def info(A):
YesNum = 0
NoNum = 0
sum = len(A)
for i in (A):
if i == 1:
YesNum+=1
else:
NoNum+=1
return -(YesNum/sum)*math.log(YesNum/sum,2)-(NoNum/sum)*math.log(NoNum/sum,2)
#单一条件的信息熵
def info(D1, D2, D3, A):
d1Num = 0
d2Num = 0
d3Num = 0
dYes = 0
dYes = 0
sum = len(A)
for i in range(sum):
if D1[i] == 1:#是D1
d1Num+=1
if A[i] == 1:
dYes+=1
else:
dNo+=1
infoD1 = -(d1Num/sum)*(-(dYes/d1Num)*math.log(dYes/d1Num,2)-(dNo/d1Num)*math.log(dNo/d1Num,2))
for i in range(sum):
if D2[i] == 1:#是D2
d2Num+=1
if A[i] == 1:
dYes+=1
else:
dNo+=1
infoD2 = -(d2Num/sum)*(-(dYes/d2Num)*math.log(dYes/d2Num,2)-(dNo/d2Num)*math.log(dNo/d2Num,2))
for i in range(sum):
if D3[i] == 1:#是D1
d3Num+=1
if A[i] == 1:
dYes+=1
else:
dNo+=1
infoD3 = -(d3Num/sum)*(-(dYes/d3Num)*math.log(dYes/d3Num,2)-(dNo/d3Num)*math.log(dNo/d3Num,2))
return infoD1+infoD2+infoD3
#求时间D的信息获取量
def Gain(D, A):
return info(A)-info(D1,D2,D3,A)
def main():
gain = []
for i in range(len(All)):
gain[i]=Gain(D[i],A)
gain.sort()