#C&RT详解
第七次写博客,本人数学基础不是太好,如果有幸能得到读者指正,感激不尽,希望能借此机会向大家学习。这一篇文章的内容来自于各种书籍、网上资料,以及自己的一些见解。关于决策树的一些基本概念在这篇博客《Decision Tree简介(决策树算法族的开篇)》中有相关介绍。
预备知识:
这一部分主要是谈一谈几种基于信息论和回归误差的结点划分方法,包括基尼系数(Gini Value)、回归误差(Regression Error)、线性回归误差(Linear Regression Error)、基尼指数(Gini Index)、加权回归误差(Weighted Regression Error)以及加权线性回归误差(Weighted Linear Regression Error)。
基尼系数(Gini Value)
“基尼系数”(Gini Value)是度量数据集纯度的一种指标,其定义如下
由上式可以看出,基尼系数(Gini Value)反映了从数据集 D D D中随机抽取两个样本,他们的类别标记不一致的概率,因此,基尼系数越小,数据集的纯度越高。
回归误差(Regression Error)
“回归误差”(Regression Error)也是定义数据集纯度的指标之一,定义如下
其中, y ˉ = a v e r a g e _ o f { y n } \bar{y}=average\_of\{y_n\} yˉ=average_of{ yn}。
线性回归误差(Linear Regression Error)
假设,给定数据集 D = { ( x i , y i ) ∣ i = 1 , 2 , . . . , m } D=\{\left(\mathbf{x}_i,y_i\right)|i=1,2,...,m\} D={ (xi,yi)∣i=1,2,...,m}含有 m m m个样本点,其中 x i = { x i j ∣ j = 1 , 2 , . . . , n } \mathbf{x}_i=\{x_i^j|j=1,2,...,n\} xi={ xij∣j=1,2,...,n}为第 i i i个样本的 j j j维特征向量, y i y_i yi为这个样本的真实输出值。根据给定的数据集训练得到一个线性模型,该模型的表达式如下所示
其中, f ( x ) f\left(x\right) f(x)为该模型的预测输出, x j x^j xj为样本 x \mathbf{x} x的第 j j