决策树及其拓展 吴恩达课程

看到了个关于决策树很好的文章：链接

决策树

在所有可能的决策树中，选择一个在训练集上表现良好，并能很好的推广到新数据（即交叉验证集和测试集）的决策树。
参考文章

熵

信息增益

信息增益越大，表示该特征对数据集划分所获得的“纯度提升”越大。所以信息增益可以用于决策树划分属性的选择，即选择信息增益最大的属性。


关于信息增益的另一篇参考文章

构建决策树的过程

计算所有可能的信息增益，并选择最高的信息增益，根据选择的特征拆分数据集，并创建左右节点。继续递归调用以上拆分过程，直到达到阈值标准为止：
1.当某个节点的纯度为100%，即该节点的所有样本都属于一个类
2.当拆分节点后，导致树的深度超过最大深度
3.当拆分节点后，信息增益小于阈值时
4.当节点中的样本个数小于阈值时

参考文章

另一篇详细讲解构建决策树的文章

独热编码

独热编码用来解决类别型数据的离散值问题

• 优：独热编码解决了分类器不好处理属性数据的问题，在一定程度上也起到了扩充特征的作用。它的值只有0和1，不同的类型存储在垂直的空间。
• 缺：当类别的数量很多时，特征空间会变得非常大。在这种情况下，一般可以用PCA来减少维度。而且one hot encoding+PCA这种组合在实际中也非常有用。
  独热编码详细解说

连续值处理

吴恩达讲解视频里是设定阈值。

另一篇文章不一样的方法：离散化策略——二分法

决策树不仅可以用来分类，也可以用于回归问题（连续的值）：

参考文章
分类树与回归树的区别

从根节点开始，一步一步划分，直到到达叶子节点，最后输出预测特征值

决策树集合

单个决策树可能会对数据的微小变化高度敏感，即鲁棒性（意思稳定性差）很差。所以使用多个决策树。

对每个决策树分别进行预测，最后统计结果，选择多数的结果作为最终预测结果。
参考文章