1.介绍
- ID3树与CART树的区别:
- ID3算法中,选择的是信息增益来进行特征选择,信息增益大的特征优先选择。
- 而在C4.5中,选择的是信息增益比来选择特征,以减少信息增益容易选择特征值多的特征的缺点。
- 但是无论是ID3还是C4.5,都是基于熵的模型,里面会涉及到大量的对数运算,能不能简化一下?
- GINI系数的计算公式:
- 假设有数据集D,定义GINI指数:
G I N I ( D ) =    ∑ i = 1 k p k ⋅ ( 1 − p k ) = 1 − ∑ i = 1 k p k 2 GINI\left( D \right)=\; \sum_{i=1}^{k}{p_{k}}\cdot \left( 1-p_{k} \right)=1-\sum_{i=1}^{k}{p_{k}}^{2} GINI(D)=i=1∑kpk⋅(1−pk)=1−i=1∑kpk2
- 假设有数据集D,定义GINI指数:
- 记住上面的公式我们会在后面计算的时候用到
- 简单分析:
- 从公式中可以看出来,基尼指数的意义是从数据集D中随机抽取两个样本类别标识不一致的概率。基尼指数越小,数据集的纯度越高。
- 相比于信息增益,信息增益比等作为特征选择方法,基尼指数省略了对数计算,运算量比较小,也比较容易理解,所以CART树选择使用基尼系数用来做特征选择。
2.GINI系数计算过程
- 首先给出一个数据集D,这是一个关于是否出门的数据集,最后一列是决策列,即标签列,我们希望通过前面的一系列特征来决策最终会不会出去玩。
- 下面我们就逐个计算每个特征的GINI系数。从而来决定选用哪个特征来作为第一个分支节点。
- 值得注意的是,Cart树是一个二叉树,所以在计算Gini系数的时候,还要考虑,要以哪个特征值作为切分。这个也是区别于ID3 和C4.5算法的一点。
- 假设我们按顺序计算。
Day | Outlook | Temp. | Humidity | Wind | Decision |
---|---|---|---|---|---|
1 | Sunny | Hot | High | Weak | No |
2 | Sunny | Hot | High | Strong | No |
3 | Overcast | Hot | High | Weak | Yes |
4 | Rain | Mild | High | Weak | Yes |
5 | Rain | Cool | Normal | Weak | Yes |
6 | Rain | Cool | Normal | Strong | No |
7 | Overcast | Cool | Normal | Strong | Yes |
8 | Sunny | Mild | High | Weak | No |
9 | Sunny | Cool | Normal | Weak | Yes |
10 | Rain | Mild | Normal | Weak | Yes |
11 | Sunny | Mild | Normal | Strong | Yes |
12 | Overcast | Mild | High | Strong | Yes |
13 | Overcast | Hot | Normal | Weak | Yes |
14 | Rain | Mild | High | Strong | No |
2.1 计算OutLook的Gini系数
- 首先我们在D数据集中选择出OutLook列的一些数据情况。
- 看下面的表是经过统计得来的:
- 每个特征值对应的累呗的个数,以及总的个数,我们需要这个。
- 回忆一下计算公式: G i n i = 1 − ∑ i = 1 k p k 2 Gini =1-\sum_{i=1}^{k}{p_{k}}^{2} Gini=1−∑i=1kpk2
Outlook | Yes | No | Number of instances |
---|---|---|---|
Sunny | 2 | 3 | 5 |
Overcast | 4 | 0 | 4 |
Rain | 3 | 2 | 5 |
- 开始计算:
- G i n i ( O u t l o o k = S u n n y ) = 1 − { ( 2 5 ) 2 + ( 3 5 ) 2 } = 0.48 Gini(Outlook =Sunny)=1-\{(\frac{2}{5})^2+(\frac{3}{5})^2 \}=0.48 Gini(Outlook=Sunny)=1−{(52)2+(53)2}=0.48
- G i n i ( O u t l o o k = O v e r C a s t ) = 1 − { ( 4 4 ) 2 + ( 0 4 ) 2 } = 0 Gini(Outlook =OverCast)=1-\{(\frac{4}{4})^2+(\frac{0}{4})^2 \}=0 Gini(Outlook=OverCast)=1−{(44)2+(40)2}=0
- G i n i ( O u t l o o k = R a i n ) = 1 − { ( 3 5 ) 2 + ( 2 5 ) 2 } = 0.48 Gini(Outlook =Rain)=1-\{(\frac{3}{5})^2+(\frac{2}{5})^2 \}=0.48 Gini(Outlook=Rain)=1−{(53)2+(52)2}=0.48
- 好,现在我们已经计算了每个特征值对应Gini系数了,下面就可以依据这个来计算特征OutLook的Gini系数了,这个过程比较简单了,就是将上面的计算结果,结合数据集中的分量俩进行累加,即可:
- G i n i ( O u t l o o k ) = 5 14 ⋅ G i n i ( O u t l o o k = S u n n y ) + 4 14 ⋅ G i n i ( O u t l o o k = O v e r C a s t ) + 5 14 ⋅ G i n i ( O u t l o o k = R a i n ) = 0.342 Gini(Outlook)=\frac{5}{14}\cdot Gini(Outlook =Sunny)+\frac{4}{14}\cdot Gini(Outlook =OverCast)+\frac{5}{14}\cdot Gini(Outlook =Rain)=0.342 Gini(Outlook)=145⋅Gini(Outlook=Sunny)+144⋅Gini(Outlook=OverCast)+145⋅Gini(Outlook=Rain)=0.342
- 最终计算得到的结果: G i n i ( O u t l o o k ) = 0.342 Gini(Outlook)=0.342 Gini(Outlook)=0.342
2.2 迭代计算
- 经过上面的计算,我想我已经很清楚的表达了如何计算了,下面简单描述计算过程:
- 1.遍历所有特征,假如当前选择的特征为
OutLook
- 2.遍历
OutLook
下所有的特征值。 - 3.统计每个特征值的数量,以及对应的每个特征值的分类的个数。
Yes = 2,No=3
- 4.计算每个特征值的Gini系数。
- 5.加权求和计算该特征的Gini系数。
- 1.遍历所有特征,假如当前选择的特征为
- 根据上面的过程依次可以计算出每个特征对应的Gini系数:
G i n i ( O u t l o o k ) = 0.342 G i n i ( T e m p . ) = 0.439 G i n i ( H u m i d i t y ) = 0.367 G i n i ( W i n d ) = 0.428 Gini(Outlook)=0.342\\ Gini(Temp.)=0.439\\ Gini(Humidity)=0.367\\ Gini(Wind)=0.428\\ Gini(Outlook)=0.342Gini(Temp.)=0.439Gini(Humidity)=0.367Gini(Wind)=0.428 - 此时已经得到了每个特征的Gini系数,下一步就是比较系数然后进行分裂了。
2.3排序后分裂
- 根据上面已经计算出来的结果,排序就很简单了,不多说。
- 排序后我们选择Gini系数最小的OutLook来进行分裂。
- 分裂过程:
- 1.选择OutLook这个特征进行分裂。
- 2.我们前面说了Cart树都是二叉树,那么分裂的时候还要继续选择一个分裂点,而不是选择每个分割点。
- 3.根据上面对每个分点的计算结果可以指定
OverCast
的Gini系数最小为0,因此选择overCast
作为切分点。 - 4.将原始的数据集D切分成两个数据子集,迭代计算剩余特征的Gini系数和最佳切分点。
- 5.对后续子集迭代建树,直到满足停止条件。