机器学习之决策树算法(二)学习记录

本文介绍了决策树的基础知识,包括决策树的工作流程、熵和信息增益的概念,并讨论了构建决策树时的选择指标,以及算法的过拟合问题和优缺点。决策树作为一种直观的分类算法,适用于处理离散和连续值,但易受过拟合影响,可通过剪枝等方法优化。
摘要由CSDN通过智能技术生成

参考资料来源于八维学院

决策树/判定树

决策树是机器学习中分类算法中的重要算法之一。
决策树是类似于流程图的树结构:其中每个内部结点表示在一个属性上的测试,每个分支代表一个属性的输出,而每个树叶结点代表类或类分布。树的最顶层是根节点。
附上很经典的”程序员相亲的例子“,便于理解。如图:
在这里插入图片描述
上述就是决策树的工作流程和各个结构的名称叫法。

熵/信息熵/信息增益

决策树中用到了关于熵的部分知识。
熵:熵指的是物体内部的混乱程度。
信息熵:是指信息的不确定程度,信息的不确定性越大,熵就越大。比如我们都知道今天太阳会从西方落下,这一信息的熵几乎为0,因为这基本是一个确定的事件,我们要知道这件事的结果,是轻而易举的;若有人说今天太阳不会从西边落下,那么要去搞清楚是为什么,我们需要花费很大的力气和代价,所以,这条信息的熵,就很大。
信息增益:比如说当前有一条信息,这条信息就有它的信息熵,对于这条信息,我们经过进一步加工和推理,我们使这条信息原本拥有的不确定性,下降了不少,此时,这条信息会重新拥有一个信息熵,那么刚才信息熵下降的数值,或者程度,就是我们所要说的信息增益。

构建树

构建出决策树的框架,其实就是确定各个节点选用哪些属性的先后顺序。
我们构建一

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值