目录
1. 信息论基础(熵 联合熵 条件熵 信息增益 基尼不纯度)
2.决策树的不同分类算法(ID3算法、C4.5、CART分类树)的原理及应用场景
1. 信息论基础(熵 联合熵 条件熵 信息增益 基尼不纯度)
- 熵(信息熵)
度量样本集合纯度最常用的指标。假设样本集合D中第k类样本所占的比例为pk,则D的信息熵定义为:
Ent(D)值越小,D的纯度越高。
- 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)表示。
- 条件熵
H(X, Y) - H(Y):
表示(X, Y)发生所包含的熵,减去Y单独发生包含的熵:在Y发生的前提下,X发生新带来的熵。
H(X|Y)推导如下:
用处:决策树的特征选择,实际上使用的信息增益,就是用G(D,A)=H(Y)-H(Y|X)。可以看出在X的条件下,Y的不确定度下降了多少。
- 相对熵/交叉熵/K-L散度
相对熵,又称互熵,交叉熵,鉴别信息,Kullback-Leible散度等。
- 互信息
两个随机变量X,Y的互信息,定义为X,Y的联合分布和独立分布乘积的相对熵。
H(X|Y) = H(X) - I(X, Y)。即互信息为0,则随机变量X和Y是互相独立的。
- 各种熵之间的关系
- 信息增益(ID3)
属性a对样本D进行划分获得的‘信息增益’定义如下:
Dv表示样本集合D中在属性a上取值为av的样本。信息增益越大意味着属性a进行划分得到的“纯度提升”越大。
信息增益对取值数目较多的属性有偏好。
- 增益率(C4.5)
定义如下:
IV(a)是属性a的固有值。属性a的可能取值越多,IV(a)通常越大。增益率准则对于取值数目少的属性有偏好。
C4.5不是选择增益率最大的属性,而是采用了一种启发式:先从候选属性中找到信息增益高于平均水平的属性,再从中选择增益率最高的。
- 基尼不纯度(CART决策树)
数据集D的纯度可以用基尼值(基尼不纯度)来度量:
反应了从数据集D中随机抽取两个样本,其类别标记不一致的概率。Gini(D)越小&