西瓜书学习笔记（第四章、决策树）

最新推荐文章于 2024-04-15 19:29:11 发布

薄荷无语子

最新推荐文章于 2024-04-15 19:29:11 发布

阅读量372

点赞数

分类专栏：西瓜书学习笔记文章标签：笔记决策树 python scikit-learn 机器学习人工智能剪枝

本文链接：https://blog.csdn.net/m0_56644478/article/details/132342157

版权

西瓜书学习笔记专栏收录该内容

3 篇文章 1 订阅

订阅专栏

系列文章目录

西瓜书学习笔记（第二章、模型评估与选择）

西瓜书学习笔记（第三章、线性模型）

第四章、决策树

目录

一、基本流程

二、划分选择

         1.信息增益

         2.增益率

三、剪枝处理

         1.预剪枝

         2.后剪枝

四、连续与缺失值

         1.连续值处理

         2.缺失值处理

五、多变量决策树

总结

一、基本流程

决策树（decision tree）是一类常见的基于树结构的机器学习方法，亦称判定树。

一般，一个决策树包含一个根结点、若干个内部结点和若干个叶结点，叶结点对应于决策过程、其他每个结点则对应于一个属性测试。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，其基本流程遵循简单且直观的“分而治之”（divide-and-conquer）策略：

二、划分选择

1.信息增益

“信息熵”（information entropy）是度量样本集合纯度最常用的一种指标。假定当前样本集合D中第k类样本所占的比例为 $p_{k}$ ，则D的信息熵定义为：

$Ent(D)=-\sum_{k=1}^{\left | \lambda \right |}p_{k}\log_{2}p_{k}$

Ent(D)的值越小，则D的纯度越高。

这里可以稍微举一些特例进行理解：

比如二分类问题中，D中只包含正样本（即 $p_{0}=1, p_{1}=0$ )，此时D的纯度最高，由此得到Ent(D)=0；

若D中正负样本各占一半（即 $p_{0}=0.5, p_{1}=0.5$ )，此时D的纯度是最低的，由此得到Ent(D)= $\log _{2}2$ 。

假定离散属性a有V个可能的取值，若使用a 对D进行划分，则会产生V个分支结点，其中第v个分支结点包含了D中所有在属性a上取值为 $a^{v}$ 的样本，记为 $D^{v}$ 。根据信息熵的计算公式，同样可以计算出 $D^{v}$ 的信息熵，考虑到不同的分支结点所包含的样本数不同，我们给分支结点赋予权重（即样本数越多的分支结点其影响也越大） $\left | D^{v} \right |/\left | D \right |$ ，由此，可以得到用属性a对D进行划分所获得的信息增益（information gain）：

$Gain\left ( D,a \right )=Ent(D)-\sum_{v=1}^{V}\frac{\left | D^{v} \right |}{\left | D \right |}Ent(D^{v})$

一般而言，信息增益越大，则意味着使用属性a来划分所获得的“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，即：

$a_{*}=\underset{a\in A}\arg\max Gain(D,a)$

著名的ID3决策树学习算法就是以信息增益为准则来选择划分属性的。

实例说明：

以西瓜数据集为例：

可以发现正例（好瓜）占8个，负例（坏瓜）占9个，由此可以计算出D的信息熵为：

接着我们将计算各个属性的信息增益，以属性“色泽”为例，它有3个可能的取值：{青绿、乌黑、浅白}，其中青绿的样本有6个（正反例各有3个）、乌黑的样本有6个（正反例分别为4个和2个）、浅白的样本有5个（正反例分别有1个和4个）。由此可以计算出：

由上述计算可以得到，应选取“纹理”作为最优划分属性。继续进行上述操作，可以得到最终基于信息增益生成的决策树：

2.增益率

在西瓜数据集2.0中，我们忽略了“编号”这一属性，我们不妨想一想如果将“编号”这一属性加入考虑，又会发生什么呢？“编号”有17个离散值，对应17个分支，每个分支只有一个样本，这样每个分支都达到最高纯度，因此若采用信息增益的方法抉择，它一定是最优划分属性（事实上可计算出该属性的信息增益为0.998），然而这是不符合常理的。

因此我们可以发现，信息增益准则对可取值数目较多的属性有所偏好，因此我们将介绍“增益率”：

$Gain\_ratio(D,a)=\frac{Gain(D,a)}{IV(a)}$

其中

$IV(a)=-\sum_{V}^{v=1}\frac{\left | D^{v} \right |}{\left |D \right |}\log _{2}\frac{\left | D^{v} \right |}{\left |D \right |}$

称为属性a的“固有值”（intrinsic value），属性a的可能取值数目越多（即V越大），则IV(a)的值通常也越大。比如，IV(触感)=0.874(V=2)，IV(编号)=4.088(V=17).

由此可见，增益率可以在一定程度上修正属性可能取值数目造成的偏差。

3.基尼指数

CART决策树使用“基尼指数”（Gini index）来选择划分属性（其余算法思路和ID3算法保持一致），一个数据集D的纯度可用基尼值来度量：

$Gini(D)=\sum_{k=1}^{\left | \lambda \right |}\sum_{k^{'}\neq k}^{}p_{k}p_{k'}=1-\sum_{k=1}^{\left | \lambda \right |}p_{k}^{2}$

直观来说，它反映了从数据集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的基尼指数定义为

$Gini\_index(D,a)=\sum_{V}^{v=1}\frac{\left | D^{v} \right |}{\left | D \right |}Gini(D^{v})$

这样，我们在进行选择划分属性时，应该选择那个使得划分后基尼指数最小的属性作为最优划分属性。

三、剪枝处理

剪枝（pruning）是决策树学习算法中对付过拟合（在这里主要指分支过细）的主要手段。决策树剪枝的基本策略有“预剪枝”（prepruning）和“后剪枝”（postpruning）。

1.预剪枝

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节点（其类别标记为训练样例最多的类别）。

那么问题来了，如何判断决策树泛化性能有提升呢？我们采用“留出法”预留一部分验证集以进行性能评估。如图，我们将编号为{4,5,8,9,11,12,13}的样例作为验证集。

采用ID3算法，利用信息增益准则，我们首先得到“脐部”为最优划分属性，由此将产生三个分支。此时，根据预剪枝的思想，我们要使用验证集来决定是否使用“脐部”进行划分：

由于划分后其精度较高，因此在这里我们需要进行划分。

递归使用该思路进行判断，可以得到使用预剪枝而生成的决策树为：

这是一棵仅有一层划分的决策树，亦称“决策树桩”（decision stump）。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；但是虽然有些分支在当前划分不能提升泛化性能，但在其基础上进行的后续划分可能导致性能显著提高，预剪枝基于“贪心”的本质禁止这些分支展开，给预剪枝决策树带来了欠拟合的风险。

2.后剪枝

后剪枝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成叶结点能带来决策树泛化性能的提升，则将该子树替换成叶结点。

由后剪枝生成的决策树为：

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，但后剪枝过程是在生成完全决策树之后进行的，并且需要自底向上地对树中所有非叶结点进行逐一考察，因此其训练时间要大得多。

四、连续与缺失值

1.连续值处理

我们之前讨论的都是关于离散值的处理，但当我们遇到连续属性，又该如何处理呢？由于连续属性的可取值数目不再有限，因此不能直接根据连续属性的可取值来对结点进行划分。此时，连续属性离散化技术可以用得上，最简单的策略就是采用二分法（bi-partition）对连续属性进行处理。

给定样本集D和连续属性a，假定a在D上出现了n个不同的取值，将这些值从小到大进行排序，记为{ $a^{1},a^{2},...,a^{n}$ }，基于划分点t可将D分为子集 $D_{t}^{-}$ 和 $D_{t}^{+}$ 。

关于t的选择，可以发现对相邻的两个属性取值 $a^{i}$ 和 $a^{i+1}$ 来说，t在区间 $[a^{i},a^{i+1})$ 中任取一个值其划分结果都是相同的，我们不妨取 $[a^{i},a^{i+1})$ 的中位数作为t的取值，即：

$T_{a}=\left \{ \frac{a^{i}+a^{i+1}}{2}|1\leqslant i\leqslant n-1 \right \}$

然后，我们就可以像离散属性值一样来考察这些划分点，选取最优的划分点进行样本集合的划分：

$Gain(D,a)=\underset{t\in T_{a}}{\max }Ent(D)-\sum_{\lambda \in \left \{ -,+ \right \}}^{}\frac{\left | D_{t}^{\lambda } \right |}{\left | D \right |}Ent(D_{t}^{\lambda })$

2.缺失值处理

现实任务重常会遇到不完整样本，即样本的某些属性值缺失，如下图：

如果简单的放弃不完整样本，显然对数据信息是极大的浪费（比如如果放弃不完整样本，上图数据集仅有4个样本能被使用）。

我们需要解决两个问题：（1）如何在属性值缺失情况下进行划分属性选择？（2）给定划分属性，若样本在该属性值上缺失，如何对样本进行划分？

首先需要说明几个重要的变量和参数：

在这里可以先不用管权重是什么，先理解每个变量的含义： $\rho$ 代表无缺失值样本所占的比例； $\widetilde{p_{k}}$ 代表无缺失值样本中第k类样本所占的比例； $\widetilde{r_{v}}$ 代表无缺失样本中在属性a上取值 $a^{v}$ 的样本所占的比例。

基于上述定义，我们可以得到推广后的信息增益的计算式为：

$Gain(D,a)=\rho \times Gain(\tilde{D},a)=\rho \times(Ent(\tilde{D})-\sum_{v=1}^{V}\tilde{r_{v}}Ent(\tilde{D^{v}}))$

由此我们回答了问题(1)，只需要在推广后信息增益基础上进行抉择即可。

对问题(2)，若样本x在划分属性a上的取值已知，则将x划入与其取值对应的子结点，且样本权值保持为 $\omega _{x}$ ；若样本权值在划分属性a上的取值未知，则将x同时划入所有子结点，且样本权值在与属性值 $a^{v}$ 对应的子结点中调整为 $\tilde{r_{v}}\cdot \omega _{x}$ 。其实就是让同一个样本以不同的概率划入到不同的子结点中去。