1. 决策树的生成过程
输入:训练集D,特征集A,阈值e
输出:决策树T
if 遇到终止条件(D中所有样例的类别均为Ck,A=∅)
return 类别标签
else:
根据公式计算信息增益,选择信息增益最大的作为最优特征Ag
如果信息增益小于阈值e,在训练集D中进行投票,决定当前节点的类别
否则,对于训练集D,以特征Ag为标准,将其划分成若干个非空子集Di,构建子节点。
遍历Ag的取值,以Di为训练集,以A-{Ag}为特征集,递归的执行以上步骤,返回子树Ti
2. 公式(熵,条件熵,信息增益,信息增益率,基尼系数)
物理意义,公式,分析(图像,参数)
3. 信息增益率比信息增益的优势在哪里?
信息增益偏向于选择类别取值较多的特征,因为类别较多的特征会导致条件熵的系数减小,进而使得公式中的减数减小,信息增益变大。
4. 过拟合
5. 例子
6. 优劣势
ID3的缺点
不能处理连续值的情况
没有考虑缺失值的情况
没有考虑过拟合的情况
偏向选择取值较多的属性(特征)
7. 应用