决策树模型
简介
决策树算法在机器学习中算是很经典的一个算法系列了。它既可以作为分类算法,也可以作为回归算法,同时也特别适合集成学习比如随机森林。决策树的学习通常包括3个步骤:特征选择、决策树的生成和决策树的修剪。决策树算法:ID3(利用信息增益对特征做选择),C4.5(利用信息增益率对特征做选择),CART(CART生成与CART剪枝)
ID3算法
ID3算法的特征选择与信息增益
特征选择在于选取对训练数据具有分类能力的特征,这样可以提高决策树的学习效率。特征选择是决定哪个特征来划分特征空间。
熵是度量了事物的不确定性,越不确定的事物熵就越高。越确定的事物概率也就越高,所以熵是和概率成反比,又要变成加法的形式,所以就在 p ( x ) p_(x) p(x)前加log并取负,就变成了信息量,再对信息量关于 p ( x ) p_(x) p(x)求期望,即为熵的表达式(我的理解是熵是各个权重信息量的和,权重即为他的概率表示在整体中的比例)。
表达式如下: H ( X ) = − ∑ i = 1 n p i l o g p i H(X) = -\sum\limits_{i=1}^{n}p_i logp_i H(X)=−i=1∑npilogpi
熵越大,随机变量的不确定性因素就越大。 0 < = H ( p ) < l o g ( p ) 0<=H_(p)<log_(p) 0<=H(p)<log(p)
一个变量X的熵,很容易推广到多个个变量的联合熵,这里给出两个变量X和Y的联合熵表达式: H ( X , Y ) = − ∑ i = 1 n p ( x i , y i ) l o g p ( x i , y i ) H(X,Y) = -\sum\limits_{i=1}^{n}p(x_i,y_i)logp(x_i,y_i) H(X,Y)=−i=1∑np(xi,yi)lo