【学习任务】
1. 信息论基础(熵 联合熵 条件熵 信息增益 基尼不纯度)
2.决策树的不同分类算法(ID3算法、C4.5、CART分类树)的原理及应用场景
3. 回归树原理
4. 决策树防止过拟合手段
【做题】
1、信息论基础(熵 联合熵 条件熵 信息增益 基尼不纯度)
2、决策树的不同分类算法(ID3算法、C4.5、CART分类树)的原理及应用场景
三种分类算法都是生成树算法,都由特征选择和决策树生成和决策树剪枝这三个步骤完成,具体的差异在于特征选择时使用的标准不一样,其中ID3使用信息增益,但存在偏向选取值较多的特征的问题;针对ID3的问题,C4.5改用信息增益比来解决;CART分类树则使用基尼系数来进行特征选择。
3、回归树原理
CART决策树既可以做分类,也可以做回归。不同点在于CART回归采用平方误差最小化策略作为目标函数进行训练。
4、决策树防止过拟合手段
主要使用决策树剪枝的方法,具体实现见李航统计学习方法树剪枝。