一.C4.5算法
C4.5算法是对ID3算法的一种改进,所以,首先我们来看ID3算法。
ID3算法是在决策树各个结点上应用信息增益准则来选择特征,递归地构建决策树。
决策树:是一种基本的分类与回归方法,一种分类决策模型,是一种树形结构,该模型具有可读性,分类速度快的优点。决策树由结点(内部结点、叶结点)和有向边组成。内部结点表示特征或属性,叶结点表示类或结论。决策树如下图所示:其中圆点表示特征/属性(内部结点),框框表示类/结论(叶结点),——>箭头表示条件。
决策树实质上是从给定的训练数据中归纳出一组分类规则,由训练数据集估计条件概率模型的一种学习模型。该学习模型用损失函数来表示这一目标,损失函数通常是正则化的极大似然函数。
信息增益:特征A对训练数据集D的信息增益g(D,A),定义的为集合D的经验嫡H(D)与特征A 给定条件下D的经验条件嫡H(D|A)之间的差。即:g(D,A)=H(D)-H(D|A)。
H(D)表示对数据集D进行分类的不确定性,H(D|A)表示特征A给定的条件下对数据集进行分类的不确定性,所以他们的差,即信息增益就表示了由于特征A而是的对数据集D的分类不确定性减少的程度了。显然,信息增益越大的特征越具有更强的分类能力。
经验嫡概率:
条件经验嫡概率:
现在假设训数据集为D,其中,其中,为输入实例(特征向量),n为特征个数,为类标记,即标记每个实例,i=1,2,...,N,N为样本容量。
|D|为训练集的样本容量,即样本的个数(N)。现假设有K个类