Task03 详读西瓜书+南瓜书第4章

Task03 详读西瓜书+南瓜书第4章

1 决策树基本流程

• 概念：基于树结构来进行决策，体现人类在面临决策问题时一种很自然的处理机制
• 具备条件：
  1. 每个非叶节点表示一个特征属性测试
  2. 每个分支代表这个特征属性在某个值域上的输出
  3. 每个叶子节点存放一个类别
  4. 每个节点包含的样本集合通过属性测试被划分到子节点中，根节点包含样本全集
• 基本算法：
  输入： 训练集 D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , ⋅ , ( x m , y m ) } D=\{(x_1,y_1),(x_2,y_2),\cdot, (x_m,y_m)\} D={(x1​,y1​),(x2​,y2​),⋅,(xm​,ym​)};
     属性集$A=a_1,a_2,\cdot ,a_d$
  过程： 函数TreeGenerate($D$,$A$)
  (1) 生成结点node
  (2) if $D$中样本全属于同一类别$C$ then
  (3)  将node标记为$C$类叶节点; return
  (4) end if
  (5) if $A=\varnothing$ OR $D$中样本在$A$上取值相同 then
  (6)  将node标记为叶结点，其类别标记为$D$中样本数最多的类；return
  (7) end if
  (8) 从$A$中选择最优化分属性$a_{\ast }$;
  (9) for $a_{\ast }$的每一个值$a_{\ast }^v$ do
  (10)  为node生成一个分支；令$D_v$表示$D$中在$a_{\ast }$上取值为$a_{\ast }^v$的样本子集;
  (11)   if $D_v$为空 then
  (12)    将分支结点标记为叶结点，其类别标记为$D$中样本最多的类; return
  (13)  else
  (14)    以TreeGenerate($D_v$, A \ { a ∗ } A \backslash \{ a_* \} A\{a∗​})为分支结点
  (15)  end if
  (16) end for
  输出： 以node为根结点的一棵决策树
• 决策树构造
  1. 当前结点包含的样本全部属于同一类，直接将该结点标记为叶结点，其类别设置该类
  2. 当属性集为空，或所有样本在所有属性上取值相同，无法进行划分，将该结点标记为叶结点，其类别设置为其父结点所含样本最多的类别
  3. 当前结点包含的样本集合为空，不能划分，将该结点标记为叶结点，其类别设置为其父结点所含样本最多的类别

2 划分选择

2.1 信息增益

• 信息熵：度量样本集合纯度最常用的一种指标
• 信息熵定义：
    假定当前样本集合$D$中第$k$类样本所占的比例为$p_k(k=1,2,\dots ,|\mathcal{Y}|)$，则$D$的信息熵表示为$$\text{Ent}(D)=-\sum _{k=1}^{|\mathcal{Y}|}{p}_k{\log }_2{p}_k$$
  $\text{Ent}(D)$值越小，则$D$的纯度越高。
• 信息增益定义：
    假定使用属性$a$对样本集$D$进行划分，产生了$V$个分支节点，$v$表示其中第$v$个分支节点，易知：分支节点包含的样本数越多，表示该分支节点的影响力越大，可以计算出划分后相比原始数据集$D$获得的“信息增益”（information gain）。
  $$\text{Gain}(D,\alpha )=\text{Ent}(D)-\sum _{v=1}^V\frac{|D^v|}{|D|}\text{Ent}(D^v)$$
  信息增益越大，使用属性$a$划分样本集$D$的效果越好。
• ID3决策树学习算法是以信息增益为准则

2.2 增益率

• 作用：用于解决属性信息熵为0，或远高于其他属性的信息熵问题
• 定义：
  $$\text{Gain\_ratio}(D,\alpha )=\frac{\text{Gain}(D,\alpha )}{\text{IV}(\alpha )}$$
  其中$$\text{IV}(\alpha )=-\sum _{v=1}^V\frac{|D^v|}{|D|}{\log }_2\frac{|D^v|}{|D|}$$当$\alpha$属性的取值越多时，$\text{IV}(\alpha )$值越大
• C4.5算法是以增益率为准则

2.3 基尼指数

• CART决策树使用“基尼指数”（Gini index）来选择划分属性
• 作用：表示从样本集$D$中随机抽取两个样本，其类别标记不一致的概率，因此$\text{Gini}(D)$越小越好
• 定义：$$\begin{array}{rl}\text{Gini}(D)& =\sum _{k=1}^{|\mathcal{Y}|}\sum _{k^{\prime }\ne k}{p}_k{p}_{k^{\prime }}\\ & =1-\sum _{k=1}^{|\mathcal{Y}|}{p}_k^2\end{array}$$
• 属性选择：
  使用属性$\alpha$划分后的基尼指数为：
  $$\text{ Gini\_index }(D,\alpha )=\sum _{v=1}^V\frac{|D^v|}{|D|}\text{Gini}(D^v)$$故选择基尼指数最小的划分属性。