一步一步学习 ID3 算法

最新推荐文章于 2024-11-28 13:18:03 发布

原创最新推荐文章于 2024-11-28 13:18:03 发布 · 767 阅读

0 ·

CC 4.0 BY-SA版权

量化交易专栏收录该内容

102 篇文章

订阅专栏

作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai

决策树算法将原始数据转换为基于规则的决策树。这里 ID3 是最常见的决策树算法之一。首先，它于 1986 年推出，它是 Iterative Dichotomiser 的首字母缩写。

首先，二分法意味着，我们会把东西分成两个完全相反的东西。这就是为什么，算法迭代地将属性分为两组，这两组是最主要的属性，另一组是构造树。然后，它计算每个属性的熵和信息增益。通过这种方式，可以建立最主要的属性。在那之后，最主要的一个被放在树上作为决策节点。此后，将在其他属性中再次计算熵和增益分数。因此，找到了下一个最主要的属性。最后，这个过程一直持续到该分支的结束位置，这就是为什么它被称为 Iterative Dichotomiser。所以，我们将在这篇文章中逐步提到算法。

例如，下表通知了在过去 14 天内在外面打网球的决策因素。

Day	Outlook	Temp.	Humidity	Wind	Decision
1	Sunny	Hot	High	Weak	No
2	Sunny	Hot	High	Strong	No
3	Overcast	Hot	High	Weak	Yes
4	Rain	Mild	High	Weak	Yes
5	Rain	Cool	Normal	Weak	Yes
6	Rain	Cool	Normal	Strong	No
7	Overcast	Cool	Normal	Strong	Yes
8	Sunny	Mild	High	Weak	No
9	Sunny	Cool	Normal	Weak	Yes
10	Rain	Mild	Normal	Weak	Yes
11	Sunny	Mild	Normal	Strong	Yes
12	Overcast	Mild	High	Strong	Yes
13	Overcast	Hot	Normal	Weak	Yes
14	Rain	Mild	High	Strong	No

我们可以总结 ID3 算法，如下所示：

$\sum - p(x) * log_2p(x)$

$\sum[p(S|A)*Entropy(S|A)]$

这些公式可能现在会让你大吃一惊，但是后续我们会让他变得更加简单。

熵(Entropy)

我们需要先计算熵，上面的表中决策列由 14 个实例组成，包括两个标签：yes 和 no。他们有 9 个 yes 和 5 个 no 组成。

$log_2p(yes) - p(no)*log_2p(no) = -\frac{9}{14} * log_2\frac{9}{14}-\frac{5}{14}*log_2\frac{5}{14} = 0.940$

现在，我们需要找到决策最主要的因素。

Wind 因素对决定的影响

$\sum[p(Decision|Wind) * Entropy(Decision|Wind)]$

Wind 属性有两个标签：weak 和 strong。我们会将其反映在公式中。

$G a i n (D e c i s i o n, W i n d) = E n t r o p y (D e c i s i o n) - [p (D e c i s i o n ∣ W i n d = w e a k) * E n t r o p y (D e c i s i o n ∣ W i n d = w e a k)] - [p (D e c i s i o n ∣ W i n d = s t r o n g) * E n t r o p y (D e c i s i o n ∣ W i n d = s t r o n g)]$

现在，我们需要分别计算 (Decision|Wind=weak) 和 (Decision|Wind=strong) 。

weak wind因素决定

Day	Outlook	Temp.	Humidity	Wind	Decision
1	Sunny	Hot	High	Weak	No
3	Overcast	Hot	High	Weak	Yes
4	Rain	Mild	High	Weak	Yes
5	Rain	Cool	Normal	Weak	Yes
8	Sunny	Mild	High	Weak	No
9	Sunny	Cool	Normal	Weak	Yes
10	Rain	Mild	Normal	Weak	Yes
13	Overcast	Hot	Normal	Weak	Yes

weak 因子有 8 个例子。其中，2个是 no 的决定，6 个是 yes 的决定，如上图所示。

$Entropy(Decision∣Wind=Weak)=−p(no)∗log2p(no)−p(yes)∗log2p(yes)=−28∗log228−68∗log268=0.811Entropy(Decision|Wind=Weak)=-p(no)*log_2p(no)-p(yes)*log_2p(yes) = -\frac{2}{8}*log_2\frac{2}{8} - \frac{6}{8}*log_2\frac{6}{8} = 0.811$

strong wind因素决定

Day	Outlook	Temp.	Humidity	Wind	Decision
2	Sunny	Hot	High	Strong	No
6	Rain	Cool	Normal	Strong	No
7	Overcast	Cool	Normal	Strong	Yes
11	Sunny	Mild	Normal	Strong	Yes
12	Overcast	Mild	High	Strong	Yes
14	Rain	Mild	High	Strong	No

这里有 6 个 strong 因子，Decision 也被分为了两部分：

$-p(no)*log_2p(no) - p(yes)*log_2p(yes) = -\frac{3}{6}*log_2\frac{3}{6} - \frac{3}{6}*log_2{3}{6} = 1$

现在，我们可以回到 $G a i n (D e c i s i o n, W i n d)$ 方式。

$0.940-[\frac{8}{14}*0.811]-[\frac{6}{14}*1]=0.048$

所以 wind 因子的计算结束了，现在，我们可以对其它列进行相同的计算，以找到最主要的因素。

另外因子如下计算

我们可以用相同的方法计算 Outlook，Temperature和Humidity 因子的信息增益。

$G a i n (D e c i s i o n, O u t l o o k) = 0.246$

$G a i n (D e c i s i o n, T e m p e r a t u r e) = 0.029$

$G a i n (D e c i s i o n, H u m i d i t y) = 0.151$

正如我们所看到的，outlook 因子是拥有最高的分数。这也是为什么，outlook 因子会出现在树的根节点的原因。

在这里插入图片描述

现在，我们需要测试 outlook 因子的自定义子集的数据集。

overcast 因子对 outlook 的决策

基本上，如果 outlook = overcast，那么 decision 一直是 yes 。

Day	Outlook	Temp.	Humidity	Wind	Decision
3	Overcast	Hot	High	Weak	Yes
7	Overcast	Cool	Normal	Strong	Yes
12	Overcast	Mild	High	Strong	Yes
13	Overcast	Hot	Normal	Weak	Yes

sunny 因子作为 outlook 的决策

Day	Outlook	Temp.	Humidity	Wind	Decision
1	Sunny	Hot	High	Weak	No
2	Sunny	Hot	High	Strong	No
8	Sunny	Mild	High	Weak	No
9	Sunny	Cool	Normal	Weak	Yes
11	Sunny	Mild	Normal	Strong	Yes

这里有 5 个 outlook = sunny 的实例，decision = yes 的概率是2/5，decision=no 的概率是 3/5 。

$-\frac{3}{5}*log_{2}{\frac{3}{5}}-\frac{2}{5}*log_{2}{\frac{2}{5}} = 0.971$

$-0-\frac{2}{2}*log_{2}{\frac{2}{2}} = 0$

$E n t r o p y (O u t l o o k = S u n n y ∣ T e m p . = C o o l) = 0$

$Entropy(Outlook=Sunny∣Temp.=Mild)=−12∗log212−12∗log212=1Entropy(Outlook=Sunny|Temp.=Mild)=-\frac{1}{2}*log_{2}{\frac{1}{2}}-\frac{1}{2}*log_{2}{\frac{1}{2}}=1$

$G a i n (O u t l o o k = S u n n y ∣ T e m p .) = E n t r o p y (O u t l o o k = S u n n y) - [p (O u t l o o k = S u n n y ∣ T e m p . = H o t) * E n t r o p y (O u t l o o k = S u n n y ∣ T e m p . = H o t) + p (O u t l o o k = S u n n y ∣ T e m p . = C o o l) * E n t r o p y (O u t l o o k = S u n n y ∣ T e m p . = C o o l) + p (O u t l o o k = S u n n y ∣ T e m p . = M i l d) * E n t r o p y (O u t l o o k = S u n n y ∣ T e m p . = M i l d) = 0.571$

同理，我们可以计算出：

$G a i n (O u t l o o k = S u n n y ∣ H u m i d i t y) = 0.970$

$G a i n (O u t l o o k = S u n n y ∣ W i n d) = 0.019$

现在，我们选择 humidity 作为决策因子，因为它拥有最高分，从表中我们可以看出，如果 humidity=High，那么我们一直不会去打网球。

Day	Outlook	Temp.	Humidity	Wind	Decision
1	Sunny	Hot	High	Weak	No
2	Sunny	Hot	High	Strong	No
8	Sunny	Mild	High	Weak	No

从另一方面说，如果 humidity=Normal，那么我们就一定会去打网球。

Day	Outlook	Temp.	Humidity	Wind	Decision
9	Sunny	Cool	Normal	Weak	Yes
11	Sunny	Mild	Normal	Strong	Yes

最后，这意味着，如果 outlook = Sunny，那么我们只需要检查 humidity 就行了。

rain 因子作为 outlook 的决策

Day	Outlook	Temp.	Humidity	Wind	Decision
4	Rain	Mild	High	Weak	Yes
5	Rain	Cool	Normal	Weak	Yes
6	Rain	Cool	Normal	Strong	No
10	Rain	Mild	Normal	Weak	Yes
14	Rain	Mild	High	Strong	No

$G a i n (O u t l o o k = R a i n ∣ T e m p .) = ? ? ?$

$G a i n (O u t l o o k = R a i n ∣ H u m i d i t y) = ? ? ?$

$G a i n (O u t l o o k = R a i n ∣ W i n d) = ? ? ?$

大家可以自己计算一下，如果 outlook=rain，那么 wind 因子将会获得最高的分数，这也是为什么我们需要把 wind 因子作为第二层节点。

因此，如果wind=weak，outlook=rain，那么决策将永远是肯定的。

Day	Outlook	Temp.	Humidity	Wind	Decision
4	Rain	Mild	High	Weak	Yes
5	Rain	Cool	Normal	Weak	Yes
10	Rain	Mild	Normal	Weak	Yes

更重要的是，如果wind=strong，outlook=rain，那么决策将永远是否定的，即我不会出去打网球。

Day	Outlook	Temp.	Humidity	Wind	Decision
6	Rain	Cool	Normal	Strong	No
14	Rain	Mild	High	Strong	No

因此，决策树的构建已经结束了，我们可以使用下图来表示。

在这里插入图片描述

结论

因此，决策树算法将原始数据转换为基于规则的机制。在这篇文章中，我们提到了一种最常见的决策树算法，名为 ID3。他们可以直接使用特征属性来进行分类，而大多数常见的机器学习算法都是不能的。但是，需要在 ID3 中将数字特征转换为标量。尽管决策树算法功能强大，但是他们的训练时间很长。另一方面，他们倾向于过度拟合。