今天想简单聊一下对机器学习中决策树分类的认识,并实现了一个用决策树对经典鸢尾花数据集分类的应用。在我看来,决策树中最重要的一个概念就是信息熵。X的信息熵用H(X)表示,也就是X所含的信息量大小。
H(X)=P(X)logP(X)
H(X,Y)=P(X,Y)logP(X,Y)
在决策树分类的建树过程中,由根节点到叶子节点,熵的值应该越来越小,一直到0(对分类结果越来越确定)。基本思想是:以信息熵为度量构造一棵熵值下降最快的树,到叶子结点熵值为0。
决策树的选择特征属性的方式也有很多种,例如ID3,C4.5,CART等等。以ID3为例,这种方式在每一步时选择信息增益最大的属性做下一步的判别属性。
信息增益Gain(X,f)=H(X)-H(X|f)=I(X|f)
而C4.5依靠信息增益率Gr(X,f)=Gain(X,f)/H(f);CART依靠Gini系数。在下面的应用中,我们选择ID3对属性进行选择。
鸢尾花数据集是最有名的模式识别测试数据。共包括三个鸢尾花种类,每个类别有五十个样本,四个特征分别为花萼长度,花萼宽度,花瓣长度,花瓣宽度。
代码使用python实现,随机在四个特征中选择两个进行分类,共六种组合。训练集占0.7,测试集占0.3。
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeClassifier
# 'sepal length', 'sepal width', 'petal length', 'petal width'
iris_f