码迷,mamicode.com
首页 > 其他好文 > 详细

机器学习--决策树

时间:2017-11-04 23:32:46      阅读:185      评论:0      收藏:0      [点我收藏+]

标签:.com   and   表示   最好   它的   输出   over   ros   inf   

决策树(Decision Tree)

决策树是监督学习(supervised learning)的一种。

机器学习中分类和预测算法的评估:

1.准确率

2.速度

3.强壮型

4.可规模性

5.可解释性

什么是决策树?

决策树是一个类似于流程图的树结构:其中,每个内部节点表示在一个属性上的测试,每个分支代表一个属性输出,而每个树节点代表类或者类分布。树的最顶端是根节点。

技术分享

决策树就类似于上面的树形结构,小明是否打篮球取决于一些因素,首先看天气,如果是晴天,晴天的情况里面打篮球的天数是2,不打篮球的天数是3,然后看空气湿度,如果湿度小于等于70,打篮球的天数为两天,不打篮球的天数为0。所以当晴天的时候,空气湿度小于等于70时小明就去打篮球。其他情况类似。

下面再看一个例子:

一个人是否买电脑的因素:

技术分享

影响一个人买电脑的因素有很多,首先看这个人的年龄,如果是青年,然后看这个人是否为学生,如果是学生,就买电脑,如果不是学生就不买电脑。然后如果这个人是中年,那么这个人一定买电脑。如果这个人是中老年,看这个人的信用,如果这个人的信用很好,那么就买电脑,如果信用不好就不买电脑。下表是给定的一些数据。

技术分享

 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

一天信息的信息量大小和它的不确定性有直接关系,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。

我们用比特(bit)来衡量信息的多少。

技术分享

技术分享

变量的不确定性越大,熵也就越大。

1970-1980,J.Ross,Quinlan, ID3算法

决策树归纳算法(ID3)

选择属性判断节点,选择哪个属性放在上面,哪个属性放在下面。

信息获取量(Information Gain):Gain(A)=Info(D)-Info_A(D)

技术分享

 

我们以age来分,看得到的信息熵是多少?

技术分享

 Gain(age)=Info(D)-Info_{age}(D)=0.940-0.694=0.246bits

类似的,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。

技术分享

然后这样一直重复即可完成算法。

算法的具体流程如下:

树以代表训练样本的单个节点开始(步骤一)。

如果样本都在同一个类,则该节点成为树叶,并用该类标记(步骤二和步骤三)。

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,选择能够最好的将样本分类的属性(步骤六),该属性成为该节点的“测试”或者“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,创建一个分支,并据此划分样本(步骤8-10)

算法使用同样的过程,递归的形成每个划分上的样本判定树,一旦一个属性出现在一个节点上,就不必该节点的任何后再上考虑它(步骤13)。

递归划分步骤仅当下列条件之一成立时停止:

(a)给定节点的所有样本属于同一类(步骤2和3)

(b)没有生育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)

这涉及将给定的节点转换成树叶,并用样本中的多数所在的类标记它,替换的,可以存放节点点样本的分布。

(c)test_attribute=a,没有样本(步骤11)。在这种情况下,以sample中的多数类创建一个树叶(步骤12)

 

其他算法:

C4.5,Quinlan

Classification and Regression Trees(CART):(L. Breiman, J. Friedman, R. Olshen, C. Stone)

共同点:都是贪心算法,自上而下(Top-down approach)

区别:属性选择度量方法不同:C4.5(gain ratio),CART(gini index),ID3(Information Gain)

 

如何处理连续变量的属性?

连续变量离散化。

 

树剪枝叶(避免overfitting)

先剪枝,后剪枝

 

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。

机器学习--决策树

标签:.com   and   表示   最好   它的   输出   over   ros   inf   

原文地址:http://www.cnblogs.com/LoganChen/p/7784534.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!