1. 学习目标
- 掌握决策树实现过程
- 知道信息熵的公式以及作用
- 知道信息增益的作用
- 知道信息增益率的作用
- 知道基尼指数则作用
- 知道id3,c4.5,cart算法的区别
- 了解cart剪枝的作用
- 应用DecisionTreeClassifier实现决策树分类
2. 决策树算法简介
决策树:是一种树形结构,其中每个内部节点表示一个属性上的判断,每个分支代表一个判断结果的输出,最后每个叶节点代表一种分类结果,本质是一颗由多个判断节点组成的树(决策树思想的来源非常朴素,程序设计中的条件分支结构就是if-else结构,最早的决策树就是利用这类结构分割数据的一种分类学习方法)
3. 决策树分类原理
3.1 熵
物理学上,熵 Entropy 是“混乱”程度的量度。
系统越有序,熵值越低;系统越混乱或者分散,熵值越高。
信息理论:
1、从信息的完整性上进行的描述:
当系统的有序状态一致时*数据越集中的地方熵值越小,数据越分散的地方熵值越大。
2、从信息的有序性上进行的描述:
当数据量一致时,系统越有序,熵值越低;系统越混乱或者分散,熵值越高。
信息熵(Entropy)的概念:
假如事件A的分类划分是(A1,A2,…,An),每部分发生的概率是(p1,p2,…,pn),那信息熵定义为公式如下:(log是以2为底,lg是以10为底)
3.2 决策树的划分依据一------信息增益
3.2.1概念
信息增益:以某特征划分数据集前后的熵的差值。熵可以表示样本集合的不确定性,熵越大,样本的不确定性就越大。