在机器学习中经常使用决策树,决策树的一个重要任务时理解数据中所蕴含的知识信息,因此决策树可以使用不熟悉的数据集合,并从中提取出一系列的规则,这些机器根据数据集创建规则的过程,就是机器学习的过程。
决策树的特点:
优点:计算复杂度不高,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关特征数据(有特征筛选功能)
缺点:可能会产生过度匹配的问题。可以通过剪枝的方式解决这个问题。
适用数据类型:数值型和标称型。
构建决策树的关键在于寻找划分数据集的最好特征。寻找划分数据集的方法就涉及到树构建的算法,如ID3,C4.5,CART。这里我们先介绍ID3算法。
信息增益的问题
划分数据集的大原则是:将无序的数据变得更加有序。我们可以使用很多种方法划分数据集,但是每种方法都有各自的优缺点。在划分数据集之前之后信息发生的变化称为信息增益。我们通过计算每个特征值划分数据集获得的信息增益,获得信息增益最高的特征就是最好的选择。
符号 x i x_i xi的信息定义: l ( x i ) = l o g i p ( x i ) l(x_i)=log_ip(x_i)