《机器学习by周志华》学习笔记-决策树-01

vanilla698

已于 2024-05-10 11:35:37 修改

阅读量832

点赞数 12

分类专栏：机器学习机器学习by周志华文章标签：机器学习数学建模分类人工智能回归决策树深度学习

于 2024-05-10 10:13:54 首次发布

本文链接：https://blog.csdn.net/vanilla698/article/details/138291404

版权

本书中的「决策树」有时指学习方法，有时指学得的树。

1、基本流程

1.1、概念

基本流程，亦称「判定树」

决策树(decision tree)，是一种常见的机器学习方法。以二分类任务为例，我们希望从给定训练数据集学得一个模型，用以对新样例进行分离。

以二分类任务为例，可看作对「当前样本属于正类吗」这个问题的「决策」或「判定」过程。

1.2、目的

是为了产生一棵泛化能力强，即处理未见示例能力强的决策树。

1.3、基本流程

顾名思义，决策树是基于树结构来进行决策的，这恰是人类在面临决策问题时一种很自然的处理机制。

例如，我们要对「这是好瓜吗」这样的问题进行决策时，通常会进行一系列的子判断或自决策，例如：

他是什么颜色？>>青绿色
它的根蒂是什么形态？>>蜷缩
它敲起来是什么声音？>>**
这是好瓜吗？>>好瓜

如下图所示：

显然，决策过程的最终结论对应了我们所希望的判定结果。例如：「是」或「不是」好瓜。

每个判定问题都是对某个属性的「测试」。例如：他是什么颜色？、它的根蒂是什么形态？

每个「测试结果」或是「导出最终结论」或是「导出进一步的判断问题」，其考虑范围是在上次决策结果的限定范围之内。例如：他是什么颜色？>>青绿色>>>它的根蒂是什么形态？

一般的，一颗决策树包含：

一个根节点：包含样本全集
若干个内部节点：对应一个属性测试
若干个叶节点：对应决策结果

每个结点包含的样本集合根据属性测试的结果被划分到子结点中；从「根节点」到「每个叶节点」的路径对应了一个判定测试序列。

其基本流程遵循简单且直观的「分而治之(divide-and-conquer)」策略。如下所示：

输入

训练集 $D=\left \{ (x_{1},y_{1}),(x_{2},y_{2}),...,(x_{m},y_{m}) \right \}$

离散属性集 $A=\left \{ A_{1},A_{2},...A_{n} \right \}$

每个属性对应属性值的样本个数为 $a_{i}^{1},a_{i}^{2},...,a_{i}^{V}$ ,其中最大样本个数用 $a_{i}^{max}$ 表示

过程

创建函数 $TreeGenerate(D,A_{i})$ ；

创建节点 $node$ ；

$if$ （D中样本全属于同一类别 $A_{i}$ ）

         $then$ （ $node=A_{i}$ 且为叶节点）

         $return$ 情形（1）

$end if$

$if$ （ $A=\varnothing$ 或任意样本类别个数 $a_{i}^{j}=a_{i}^{max}$ ）

         $then$ （ $node$ 为叶节点且标记为 $D$ 中样本数量最多的类 $a_{i}^{max}$ ）

         $return$ 情形（2）

$end if$

从 $A$ 中选择最优划分属性 $A_{i}$ //最优划分属性将在下面「2、划分选择」说明

$for$ （ $A_{i}$ 的每一个属性值用 $A_{i}^{v}$ 表示）

   $do$ （为 $node$ 生成分支，令 $D_{i}^{v}$ 表示 $D$ 中在 $A_{i}$ 上取值为 $A_{i}^{v}$ 的样本子集）

   $if$ （ $D_{i}^{v}=\varnothing$ ）

           $then$ （分支节点=叶节点，类别为 $D$ 中样本数量最多的类 $a_{i}^{max}$ ）

                         $return$ 情形（3）

                         $else$ （分支节点= $TreeGenerate(D_{i}^{v},A\setminus \left \{ A_{i}^{v} \right \})$ ）

                 $end if$

$end for$

输出

以node为根节点的一棵决策树

显然，决策树的生成是一个递归过程。

在决策树基本算法中，有3种情形会导致递归返回：

情形（1）：当前结点包含的样本属于同一类别，无需划分。
情形（2）：当前属性集为空，或是所有样本在所有属性上取值相同，无法划分。
情形（3）：当前结点包含的样本集合为空，不能划分。

在（2）情形下，我们把当前结点标记为叶节点，并将其类别设定为该结点所含样本最多的类别；

在（3）情形下，同样吧当前结点标记为叶节点，但将其类别设定为其父节点所含样本最多的类别。

注意这两种情形的处理实质不同：

情形（2）是在利用当前结点的后验分布。
情形（3）是把父节点的样本分布作为当前结点的先验分布。

2、划分选择

从上面的决策树「输入-过程-输出」的环节中我们可以知道，其中最重要也是需要研究的部分就是——最优划分属性。

本章主要的内容则是介绍了让「划分选择」最优的方法：

随着划分过程不断进行，我们希望决策树的分支节点所包含的样本尽可能属于同一类别。即节点的「纯度（Purity）」越来越高。

下面我们会介绍一些度量样本集合「纯度（Purity）」比较常用的指标，通过这些指标可以增加样本「纯度」，从而使「划分选择」更优。

2.1、信息增益

2.1.1、信息熵(Information Entropy)

「信息熵」是度量样本「纯度」最常用的一种指标。

假设当前样本集： $D=\left \{ \left ( x_{1},y_{1} \right ), \left ( x_{2},y_{2} \right ),..., \left ( x_{m},y_{m} \right ) \right \}$ 的类别集合用Y表示：

$Y=\left \{ Y_{1},Y_{2},...,Y_{k} \right \}$

其中第 $Y_{j}(Y_{j}\in Y)$ 类样本个数为 $y_{j}(1\leq y_{j}\leq m)$ 且 $\sum_{j=1}^{k}y_{j}=m$ ，其所占比例用 $P_{j}(j=1,2,...,k)$ 表示，则：

$P_{j}=\frac{y_{j}}{m}$

其离散属性集合用A表示：

$A=\left \{ A_{1},A_{2},...,A_{n} \right \}$ ，其中任意离散属性用 $A_{i}(A_{i}\in A)$

则样本集D的「信息熵」定义为：

$Ent(D)=-\sum_{j=1}^{k}P_{j}\times log_{2}^{P_{j}}$

由于 $0< P_{j}\leq 1$ 且 $\sum_{j=1}^{k}P_{j}=1$ 所以：

$0< Ent(D)\leq \sum_{j=1}^{k}log_{2}^{P_{j}}$ ， $Ent(D)$ 越小，样本D的「纯度」越高。

2.1.2、信息增益(Information Gain)

假设离散属性 $A_{i}$ 有V个可能的取值，分别用 $\left \{ A_i^{1},A_i^{2},...,A_i^{V} \right \}$ 表示。若使用 $A_{i}$ 来对样本集D进行划分，则会产生V个分支节点。其中第v个分支节点 $A_i^{v}$ 包含了D中所有在属性 $A_{i}$ 上取值为 $A_i^{v}$ 的样本，该样本集合记为 $D_{i}^{v}$ （数据为i类别v值的样本集合）且其对应的样本数用 $a_{i}^{v}$ 表示，则样本集合 $D_{i}^{v}$ 的信息熵：

$Ent(D_{i}^{v})=-\sum_{j=1}^{k}P_{j}\times log_{2}^{P_{j}}$

考虑到不同分支节点所包含的样本数 $a_{i}^{v}$ 不同，给分支结点赋予权重的规则定为：样本数越多的分支节点，影响越大。即 $a_{i}^{v}$ 越大，影响越大。所以权重表示为：

$g=\frac{\left | D_{i}^{v} \right |}{\left | D \right |}=\frac{a_{i}^{v}}{m}$

则用属性 $A_{i}$ 对样本D进行划分所获得的「信息增益(Information Gain)」为：

$Gain(D,A_{i})=Ent(D)-\sum_{v=1}^{V}\frac{|D_{i}^{v}|}{|D|}Ent(D_{i}^{v})$

一般来说，信息增益 $Gain(D,A_{i})$ 越大，则意味着使用属性 $A_{i}$ 来进行划分数据集D获的的「纯度」越大。因此我们可以用信息增益来进行决策树的「划分属性选择」。也就是上面算法的属性选择。

$f(A_{i})=\underset{A_{i}\in A}{argmax}Gain(D,A_{i})$

上个式子就是求集合 $A=\left \{ A_{1},A_{2},...,A_{n} \right \}$ 中所有类别的「信息增益」最大的属性公式。

较为著名的就是ID3（Iterative Dichotomiser，迭代二分器）决策树学习算法就是以「信息增益」为准则来选择划分属性。

案例：给出数据集D如下表（绿色文字是好瓜Y1，红色文字是坏瓜Y2）

西瓜数据集D

编号色泽(A1) 根蒂(A2) 敲声(A3) 纹理(A4) 脐部(A5) 触感(A6) 是否好瓜(Y)

x1 青绿 $A_{1}^{1}$ 蜷缩 $A_{2}^{1}$ 浑浊 $A_{3}^{1}$ 清晰 $A_{4}^{1}$ 凹陷 $A_{5}^{1}$ 硬滑 $A_{6}^{1}$ 是Y1

x2 乌黑 $A_{1}^{2}$ 蜷缩 $A_{2}^{1}$ 沉闷 $A_{3}^{2}$ 清晰 $A_{4}^{1}$ 凹陷 $A_{5}^{1}$ 硬滑 $A_{6}^{1}$ 是Y1

x3 乌黑 $A_{1}^{2}$ 蜷缩 $A_{2}^{1}$ 浑浊 $A_{3}^{1}$

西瓜数据集D
编号	色泽(A1)	根蒂(A2)	敲声(A3)	纹理(A4)	脐部(A5)	触感(A6)	是否好瓜(Y)
x1	青绿 $A_{1}^{1}$	蜷缩 $A_{2}^{1}$	浑浊 $A_{3}^{1}$	清晰 $A_{4}^{1}$	凹陷 $A_{5}^{1}$	硬滑 $A_{6}^{1}$	是Y1
x2	乌黑 $A_{1}^{2}$	蜷缩 $A_{2}^{1}$	沉闷 $A_{3}^{2}$	清晰 $A_{4}^{1}$	凹陷 $A_{5}^{1}$	硬滑 $A_{6}^{1}$	是Y1
x3	乌黑 $A_{1}^{2}$	蜷缩 $A_{2}^{1}$	浑浊 $A_{3}^{1}$