共计 752 个字符,预计需要花费 2 分钟才能阅读完成。
分类问题之决策树
优点
- 复杂度较低
- 效率高
- 非常适用于简单数据集的分类
- 抗噪,对噪声鲁棒
- 选取最优决策树是 NP 完全问题
划分选择
- 使结点纯度越来越高
- 信息熵
Ent(D) = -Σ (Pk)·log(Pk)
- 信息增益, Gain
Gain(D, a) = Ent(D) – Σ (Di/D)·Ent(Di)
Ent(Di) = -Σ (Pk)·log(Pk)
ID3 算法使用 Gain 进行划分, 选择信息增益最大的作为划分特征
缺点:倾向于选择取值更多的特征
例题
-
信息增益率, GainRatio
GainRatio(D, a) = Gain(D, a) / IV(a),
IV(a) = -Σ (Di/D)log(Di/D), 属性的熵, 属性的固有值, 如果某一特征取值过多,那么它的 IV 就会很大,会被惩罚
C4.5 算法使用 GainRatio 进行划分, 在信息增益 Gain 高于 Avg 的属性中,选择 GainRatio 最大的属性作为划分属性
例题 (对应上一小节的数据集)
IV(编号) = -Σ (1/17)·log(1/17) = -log(1/17) = 4.088 IV(触感) = - [(5/17)log(5/17) + (12/17)log(12/17) ] = 0.874
-
基尼指数, Gini
Gini(D) = 1 – Σp^2
二路划分时(二叉树), Gini(D) = 2p(1 – p)
多路划分时, Gini(D) = Σ (Di/D)·Gini(Di)
CART 算法使用 Gini 指数进行划分, 选择 Gini 指数最小的属性作为划分属性
注: 多路划分肯定比二路划分更纯,Gini 也更小
例题
0.393 = (5/10)·(2·0.2·0.8) + (3/10)·(2·0.67·0.33) + (2/10)·(2·0.5·0.5)
- 分类误差率
Error(t) = 1 – max P(i|t)
- Hunt(略)
何时停止
- 同一结点中所有的记录都属于同一类
- 同一结点所有属性值相近
- 早停 (剪枝)
正文完