机器学习基础课程学习笔记 1.决策树

机器学习中分类和预测算法的评估：

准确率
速度
强壮性
可规模性
可解释性

1. 什么是决策树/判定树（decision tree)?

判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布，树的最顶层是根结点。

2. 机器学习中分类方法中的一个重要算法

3. 构造决策树的基本算法

3.1 熵（entropy）概念：

信息和抽象，如何度量？
1948年，香农提出了 ”信息熵(entropy)“的概念
一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者是我们一无所知的事情，需要了解大量信息，信息量的度量就等于不确定性的多少。
例子：猜世界杯冠军，假如一无所知，猜多少次？每个队夺冠的几率不是相等的。通过比特(bit)来衡量信息的多少。

变量的不确定性越大，熵也就越大。
举例如何确定分裂节点：

3.2 决策树归纳算法 （ID3）

1970-1980， J.Ross. Quinlan, 提出了ID3算法

选择属性判断结点，信息获取量(Information Gain)：

Gain(A) = Info(D) - Infor_A(D)

3.3 其他算法：

C4.5: Quinlan
Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)
共同点：都是贪心算法，自上而下(Top-down approach)
区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)

3.4 决策树的优缺点

决策树的优点：直观，便于理解，小规模数据集有效
决策树的缺点：处理连续变量不好类别较多时，错误增加的比较快可规模性一般。