几个常用机器学习算法 - 决策树算法
本篇博客涉及到的信息论概念 - 熵和信息增益 - 可以参考这里。
1
决策树算法(Decision Tree)是从训练数据集中归纳出一组分类规则的过程。
实际操作中,与训练数据集不相矛盾的决策树可能有多个,也可能一个都没有;理想情况是找到一个与训练数据矛盾较小的决策树,同时也具有良好的泛化能力。
2
- 决策树结构:
- 有向边
- 节点
-内部节点: 数据的特征
-叶节点:数据的类别
- 决策树准则:每个实例都被一条路径覆盖,且仅被一条路径覆盖
3
决策树算法过程
- 特征选择
- 决策树生成过程就是划分数据集的过程,合适地选取特征能帮助我们将数据集从无序数据组织为有序;
- 有很多方法可以划分数据集,决策树算法根据信息论来度量信息;
- 信息论中有很多概念,不同的决策树生成算法使用不同的信息论概念来进行特征选择。
决策树生成
- 有诸如ID3, C4.5, CART等算法用于生成决策树;
ID3和CART4.5的差别在于用于特征选择的度量的不同
-ID3使用信息增益进行特征选择
-C4.5使用信息增益比进行特征选择
-以上两个算法流程:迭代的寻找当前特征中最好的特征进行数据划分,直到所有特征用尽或者划分后的数据的熵足够小。ID3核心思想:信息增益越大说明该特征对于减少样本的不确定性程度的能力越大,也就代表这个特征越好。
C4.5核心思想:某些情况(比如按照身份证号、信用卡号、学号对数据进行分类)构造的树层数太浅而分支又太多,而这样的情况对数据的分类又往往没有意义,所以引入信息增益比来对分支过多的情况进行适当“惩罚”。具体情景解释可见这篇博客
CART我还没了解过,暂不介绍
4
决策树生成算法得到的树对训练数据的分类很准确,但对未知数据的分类却没那么准确,容易过拟合;因为决策树考虑的特征太多,构建得太复杂。
所以我们需要对决策树进行剪枝:从已生成的树上裁掉一些子树或叶节点,并将其根节点或父节点作为新的叶节点,以此简化树。
剪枝算法很多,这里引入一种简单的:极小化决策树整体的损失函数。
设树 T 的叶节点个数为 |T|, t 是树 T 的叶节点,该叶节点有 Nt 个样本点,其中 k 类的样本点有 Ntk 个, k = 1,2,…,k, Ht(T) 是叶节点 t 上的经验熵, α≥0 为参数,决策树的损失函数可定义如下