决策树

1. 什么是决策树/判定树（decision tree)?

判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

2. 机器学习中分类方法中的一个重要算法

3. 构造决策树的基本算法

3.1 熵（entropy）概念：

信息和抽象，如何度量？
1948年，香农提出了 ”信息熵(entropy)“的概念
一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者是我们一无所知的事情，需要了解大量信息==>信息量的度量就等于不确定性的多少

      例子：明天走路摔跤的概率。概率越小，就越不可能发生，就越不确定。所以熵就越大。熵越大，混乱程度就越大。

比特(bit)来衡量信息的多少

变量的不确定性越大，熵也就越大

熵的计算公式为:

这是上面公式的图像，可以看出，当概率是0.5的时候熵熵是最大的，也就是最不确定的。

3.2条件熵

我们将随机变量X给定条件下随机变量Y的条件熵表示为H(Y|X)，表示在已知随机变量X的情况下随机变量Y的不确定性，其定义如下：

简单而言：如果用年龄当作分类属性，小于等于30岁的人的个数为10个，其中不见的4个，见的6个。大于30的人为5个，都不见。那么条件概率为10/15*(4/10log4/10+6/10log4/10)+5/15*(5/5*log5/5)

3.3 信息增益/ID3算法

用某个属性当作分类的条件熵减去不用这个属性当分类的信息熵。这种方法就做ID3

3.4 增益率/C4.5算法

ID3算法存在一个问题，就是偏向于取值数目较多的属性，例如：如果存在一个唯一标识，这样样本集D将会被划分为|D|个分支，每个分支只有一个样本，这样划分后的信息熵为零，十分纯净，但是对分类毫无用处。因此C4.5算法使用了“增益率”（gain ratio）来选择划分属性，来避免这个问题带来的困扰。首先使用ID3算法计算出信息增益高于平均水平的候选属性，接着C4.5计算这些候选属性的增益率，增益率定义为：

3.5 基尼指数/CART算法

3.2 决策树归纳算法 （ID3）

1970-1980， J.Ross. Quinlan, ID3算法

选择属性判断结点

信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D)
通过A来作为节点分类获取了多少信息



类似，Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048
所以，选择age作为第一个根节点

算法： 树以代表训练样本的单个结点开始（步骤1）。
如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2 和3）。
否则，算法使用称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。在算法的该版本中，
所有的属性都是分类的，即离散值。连续属性必须离散化。
对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）。
递归划分步骤仅当下列条件之一成立停止：
(a) 给定结点的所有样本属于同一类（步骤2 和3）。
(b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
点样本的类分布。
（C)分枝
test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
创建一个树叶（步骤12）

决策树的优点：
直观，便于理解，小规模数据集有效

决策树的缺点：
处理连续变量不好
类别较多时，错误增加的比较快
可规模性一般