西瓜书《机器学习》阅读笔记之第四章决策树

最新推荐文章于 2024-07-01 20:36:42 发布

Honyelchak

最新推荐文章于 2024-07-01 20:36:42 发布

阅读量417

点赞数

分类专栏：机器学习文章标签：机器学习决策树剪枝

本文链接：https://blog.csdn.net/m0_38072683/article/details/119013728

版权

机器学习专栏收录该内容

8 篇文章 0 订阅

订阅专栏

第4章决策树

4.1 基本流程

决策树 (decision tree) 是一类常见的机器学习方法. 也称为“判定树”.[P72]

主要思想： 将训练数据属性（特征）进行优先度排序，并将每次的特征作为判定条件(子树的根节点)进行扩展，最后生成一颗树。

决策树是基于树结构来进行决策的，这恰是人类在面临决策问题时一种很自然的处理机制. [P72]

西瓜问题的一棵决策树

在这里插入图片描述

决策过程的最终结论对应了我们所希望的判定结果，例如"是"或"不是"好瓜;
决策过程中提出的每个判定问题都是对某个属性的"测试"，例如"色泽=?"“根蒂:?”;
每个测试的结果或是导出最终结论，或是导出进一步的判定问题，其考虑范围是在上次决策结果的限定范围之内，例如若在"色泽=青绿"之后再判断"根蒂=?"，则仅在考虑青绿色瓜的根蒂. [P72]

一棵决策树包含一个根结点、若干个内部结点和若干个叶结点; [P72]

叶结点对应于决策结果，其他每个结点则对应于一个属性测试;
每个结点包含的样本集合根据属性测试的结果被划分到子结点中;
根结点包含样本全集.
从根结点到每个叶结点的路径对应了一个判定测试序列.
决策树学习的目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树！

决策树的生成是一个递归过程

在决策树基本算法中，有三种情形会导致递归返回:

当前结点包含的样本全属于同一类别，无需划分;
当前属性集为空，或是所有样本在所有属性上取值相同，无法划分;
当前结点包含的样本集合为空，不能划分.

4.2 划分选择

一般而言，随着划分过程不断进行，我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即结点的"纯度"(purity)越来越高.

4.2.1 信息增益

信息熵

“信息熵” (information entropy)是度量样本集合纯度最常用的一种指标. [P74]

[P74]
Ent(D)的值越小，则D的纯度越高!

信息增益

一般而言，信息增益越大，则意味着使周属性 α 来进行划分所获得的"纯度提升"越大.
因此，我们可用信息增益来进行决策树的划分属性选择！

4.2.2 增益率

增益率定义

4.2.3 基尼指数

基尼值

Gini(D)反映了从数据集D中随机抽取两个样本，其类别标记不一致的概率。
因此，Gini(D)越小，则数据集D的纯度越高。

属性a的基尼指数

在侯选集合A中，选择那个使得划分后基尼指数最小的属性作为最优化分属性。

4.3 剪枝处理

剪枝 (pruning)是决策树学习算法对付"过拟合"的主要手段 [P78]

决策树剪枝的基本策略有**“预剪枝”(pre pruning)和"后剪枝 "(post pruning) ** [P78]

预剪枝是指在决策树生成过程中，对每个结点在划分前先进行估计，若当前结点的划分不能带来决策树泛化性能提升，则停止划分并将当前结点标记为叶结点; [P78]

后剪枝则是先从训练集生成一棵完整的决策树，然后自底向上地对非叶结点进行考察，若将该结点对应的子树替换为叶结点，能带来决策树泛化性能提升，则将该子树替换为叶结点. [P78]

4.3.1 预剪枝

预剪枝使得决策树的很多分支都没有"展开”，这不仅降低了过拟合的风险，还显著减少了决策树的训练时间开销和测试时间开销.但另一方面，有些分支的当前划分虽不能提升泛化性能、甚至可能导致泛化性能暂时下降，但在其基础上进行的后续划分却有可能导致性能显著提高;预剪枝基于"贪心"本质禁止这些分支展开,给预剪枝决策树带来了欠拟含的风险。 [P81]

降低了过拟合的风险
训练时间开销和测试时间开销大大降低

4.3.2 后剪枝

后剪枝决策树通常比预剪枝决策树保留了更多的分支.
一般情形下，后剪枝决策树的欠拟合风险很小，泛化性能往往优于预剪枝决策树.
但后剪枝过程是在生成完全决策树之后进行的，并且要自底向上地对树中的所有非叶结点进行逐一考察，因此其训练时间开销比未剪枝决策树和预剪枝决策树都要大得多. [P82]