1、决策树划分选择
决策树学习的关键——如何选择最优划分属性。我们所期望的是,随着划分过程的不断进行,希望决策树的分支结点所包含的的样本尽可能属于同一类别,即结点的“纯度”要尽可能的高。
1.1 信息增益
要说信息增益,我们先来了解一下信息熵。
“信息熵“是度量样本集合纯度最常用的一种指标。假设当前样本集合D中第k类样本所占的比例为,
则D的信息熵定义为:
的值越小,则D的纯的越高。
假定离散属性a有V个可能的取值,若使用a来对样本集D进行划分,则会产生V个分支结点,其中第v个分支节点包含了D中所有在属性a上取值为的样本,记为,考虑到不同的分支结点所包含的样本数不同,给分支结点赋予权重,即样本数越多的分支节点的影响越大,于是用属性a对样本集D进行划分所获得的“信息增益”为
一般而言,信息增益越大,意味着使用a来进行划分所获得的”纯度提升”越大,因此,我们可以用信息增益来进行决策树的划分属性选择,ID3决策树算法就是以信息增益为准则来选择划分属性。
例子:机器学习P76
1.2 信息增益率
实际上,信息增益准则对可取值数目较多的属性有所偏好(例如“编号”,每个分支仅包含一个样本,这些分支节点的纯度已达到最大,然而这样的决策树没有意义,不具有泛化能力,无法对新样本进行有效预测),所以为了减少这种偏好可能带来的不利影响,我们不再依据信息增益来选择最优划分属性,而是选择信息增益率。
信息增益率定义为:
其中
称为属性a的“固有值”,属性a的可能取值数目越多(即