一、决策树
1.决策树的结构
决策树为树形结构,主要组成部分为非叶子节点(代表一个属性测试)、分支(代表测试输出)、叶子节点(代表一种类别)。
2.基本思想
以信息熵为度量构造一颗熵值下降最快的树,到叶子节点的熵值为0(感觉类似于哈夫曼,贪心法)。根节点处熵值最大,熵值为0,表示不确定性为0。
3.决策树学习的算法
决策树学习的算法的最大优点可以自学习,只需对训练数据进行标注(如:给定决策树的表格X1,X2……Xn,Y),属于有监督学习,从一类无序、无规则的事物中推理出决策树表示的分类规则。
决策树学习的生成算法,关键是当前状态下选择哪个属性作为分类依据,根据不同的目标函数建立决策树的算法分为三种:ID3算法、C4.5算法、CART算法。
二、信息增益
当熵和条件熵中的概率由数据统计得到时,所对应的熵和条件熵分别为经验熵和经验条件熵。
信息增益:表示得知特征A的信息,使得类X的信息不确定性减少的程度。
定义:特征A对训练数据集的信息增益为g(D,A),定义为集合D的经验熵与特征A给定条件下的D的经验条件熵H(D|A)之差。g(D,A)=H(D)-H(D|A)(即数据集D和特征A的互信息)。