8月吃瓜教程—task03-学习笔记

第四章

4.1 算法原理

相当于在生成树，树的叶子节点代表了一个预测类别

4.2 为什么使用信息熵作为纯度判断标尺
信息熵用于对类别y作随机变量，将“不确定性”转换理解为集合内样本的“纯度”

信息熵
当X越大，即p(x) = 变量取值分之一，不确定性最大，即样本的纯度最低

4.3 如何优化使模型结果更好？
划分选择：
1、使用信息增益
- 选择属性之后的信息增益最大的属性值
2、使用增益率
- 对信息增益的改进，但存在对取值数目较少的属性的偏好
3、使用基尼指数
- 反应随机两个样本之间的不一致的概率，在实际操作中，用二叉树判断属性的基尼指数
- 即将D对属性a每个可能的取值v，将D分成a = v 和a != v，计算基尼指数。

4.4 剪枝处理
用于防止过拟合
方法：

• 预剪枝
• 后剪枝

4.5 连续值的处理
二分法处理后选取划分点