《机器学习实战》笔记（九）：Ch9 - 树回归

第九章 树回归([代码][ch09])

• 树回归算法的优缺点

  • 优点:可以对复杂和非线性的问题建模.

  • 缺点:结果不容易理解.

  • 适用数据类型:数值型和标称型.

• 树回归和分类树的思路类似，且方法如下

  • 收集数据

    • 采用任意方法收集数据.

  • 准备数据

    • 需要数值型的数据，标称型数据应该映射成为二值型数据.

  • 分析数据

    • 汇出数据的二维可视化显示结果，以字典方式生成树

  • 训练算法

    • 大部分时间都花费在叶节点树模型的构建上.

  • 测试算法

    • 使用测试数据上的R*R值来分析模型的效果.

  • 使用算法

    • 使用训练出的树做预测，预测结果还可以来做很多事情.

• 连续和离散型特征的树的构建

  • 在树的构建过程中，需要使用到字典，该字典包含以下4个元素

    • 带切分的特征

    • 待切分的特征值

    • 右子树

    • 左子树

  • 构建树的伪代码

    • 找到最佳的待切分特征

    • 如果该节点不能再分，将该节点存为叶节点

    • 执行二元切分

    • 在右子树调用方法

    • 在左子树调用方法

• 将CART算法用于回归

  • 在构建树种新增伪代码

    • 对每个特征

    • 对每个特征值

    • 将数据切成两份

    • 计算切分的误差

    • 如果当前误差小于当前最小误差，那么将切分设定为最佳切分并且更新最小误差

• 树剪枝

  一棵树如果节点过多，就会出现“过拟合”
  通过降低决策树的复杂度来避免过拟合的过程称为剪枝

  • 预剪枝方法

    • 定义一个高度，当决策树达到该高度的时候就停止决策树的增长

    • 达到某个节点的实例具有相同的特征向量，即使这些实例不属于同一类，也可以停止决策树的生长，这个方法对处理数据冲突的时候比较有效

    • 定义一个阀值，当某个节点树小于阀值的时候就可以停止

    • 定义一个阀值，通过计算每次扩张对系统性能的增益，并比较增益值与该阀值大小来决定是否停止决策树的增长

  • 后剪枝方法

    • REP(错误率降低剪枝)

      • 删除以此节点为根的子树

      • 使其成为叶子节点

      • 赋予该节点关联的训练数据的最常见分类

      • 当修剪后的树对于验证集合的性能不会比原来的树差时，才真正删除该节点

    • PEP(悲观错误剪枝)

      • 根据剪枝前后错误率来判定子树的修剪。弥补了REP种的缺陷，在评价子树的训练错误公式中添加了一个常数，假定每个叶子节点都动自动对实例的某个部分进行错误的分类

      • 缺陷

        • PEP算法使用的从上往下的剪枝策略，会导致剪枝过度

        • 会出现剪枝失败的情况

    • CCP(代价复杂度剪枝)

      • 根据真实的误差估计选择最佳决策树

    • EBP(基于错误剪枝)

      • 计算叶节点的错分类样本率估计的置信区上线为U

      • 计算叶节点的预测分类样本数

      • 判断是否剪枝以及如何剪枝

以下是集中剪枝的方法比较

	REP	PEP	CCP
剪枝方式	自底向上	自顶向下	自底向上
计算复杂度	o(n)	o(n)	o(n)*o(n)
误差估计	剪枝集上误差估计	使用连续纠正	标准误差

• 小节

  CART算法可以用于构建二元树并处理离散型和连续型的切分，该算法构建出的树会倾向于对数据过拟合。

---

代码托管见Github
[ch09]:https://github.com/Lornatang/machine_learning_in_action_py3/tree/master/src/ch09