分类算法:决策树算法详解
决策树基础
1. 决策树的概念与应用
决策树是一种监督学习算法,用于分类和回归任务。它通过树状结构表示决策规则,其中每个内部节点表示一个特征上的测试,每个分支代表一个测试结果,每个叶节点代表一个类别(分类任务)或一个数值(回归任务)。决策树易于理解和实现,其结果直观,可以解释性强。
1.1 应用场景
- 客户分类:银行可以使用决策树来决定是否批准贷款,基于客户的收入、信用历史等特征。
- 医疗诊断:决策树可以用于预测病人是否患有某种疾病,基于病人的年龄、性别、症状等信息。
- 电子邮件过滤:决策树可以用于识别垃圾邮件,基于邮件的发件人、主题、内容等特征。
2. 决策树的构建过程
决策树的构建过程主要包括特征选择、树的生成和树的剪枝。
2.1 特征选择
特征选择是决策树构建的关键步骤,它决定了树的结构和分类性能。常用的特征选择方法有信息增益、信息增益比、基尼指数等。
信息增益
信息增益是基于信息论中的熵概念,衡量特征对数据集分类的贡献。熵越高,数据集的不确定性越大。信息增益计算公式为:
I G ( D , A ) = E n t r o p y ( D ) − ∑ v ∈ V a l u e s ( A ) ∣ D v ∣ ∣ D ∣ ⋅ E n t r o p y ( D v ) IG(D, A) = Entropy(D) - \sum_{v \in Values(A)} \frac{|D_v|}{|D|} \cdot Entropy(D_v) IG(D,A)=Entropy(D)−v∈Values(A)∑∣D∣∣Dv∣⋅Entropy(Dv)
其中, D D D 是数据集, A A A 是特征, V a l u e s ( A ) Values(A) Values(A) 是特征 A A A的所有可能值, D v D_v Dv 是数据集 D D D中特征 A A A取值为 v v v的子集。
2.2 树的生成
树的生成通常采用递归方式,从根节点开始,选择最佳特征进行分割,然后对每个子集重复此过程,直到满足停止条件(如子集纯度达到一定阈值、子集样本数小于一定阈值等)。
2.3 树的剪枝
树的剪枝是为了防止过拟合,通过删除一些子树来简化决策树的结构。剪枝方法分为预剪枝和后剪枝。
- 预剪枝:在树的生成过程中提前停止,不继续分割数据。
- 后剪枝:先生成完整的树,然后从叶节点开始,逐个考虑删除子树。
3. ID3算法详解
ID3算法是决策树算法的一种,由Ross Quinlan在1986年提出。ID3算法使用信息增益作为特征选择的依据,递归构建决策树。
3.1 ID3算法步骤
- 计算根节点的熵:首先计算整个数据集的熵。
- 选择最佳特征:计算每个特征的信息增益,选择信息增益最大的特征作为当前节点的分割特征。
- 分割数据集:根据最佳特征的不同取值,将数据集分割成子集。
- 递归构建子树:对每个子集重复步骤1-3,直到满足停止条件。
3.2 ID3算法示例
假设我们有以下数据集,用于预测是否放风筝:
天气 | 温度 | 湿度 | 风力 | 是否放风筝 |
---|---|---|---|---|
晴 | 热 | 高 | 弱 | 否 |
晴 | 热 | 高 | 强 | 否 |
阴 | 热 | 高 | 弱 | 是 |
雨 | 温 | 高 | 弱 | 是 |
雨 | 冷 | 正常 | 弱 | 是 |
雨 | 冷 | 正常 | 强 | 否 |
阴 | 冷 | 正常 | 弱 | 是 |
晴 | 温 | 高 | 弱 | 否 |
晴 | 冷 | 正常 | 弱 | 是 |
雨 | 温 | 正常 | 弱 | 是 |
晴 | 温 | 正常 | 强 | 是 |
阴 | 温 | 高 | 强 | 否 |
阴 | 热 | 正常 | 弱 | 是 |
雨 | 热 | 正常 | 强 | 否 |
Python代码示例
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 数据预处理
data = {
'天气': ['晴', '晴', '阴', '雨', '雨', '雨', '阴', '晴', '晴', '雨', '晴', '阴', '阴', '雨'],
'温度': ['热', '热', '热', '温', '冷', '冷', '冷', '温', '冷', '温', '温', '温', '热', '热'],
'湿度': ['高', '高', '高', '高', '正常', '正常', '正常', '高', '正常', '正常', '正常', '高', '正常', '正常'],
'风力': ['弱', '强', '弱', '弱', '弱', '强', '弱', '弱', '弱', '弱', '强', '强', '弱', '强'],
'是否放风筝':