3.1 决策树简介
优点:计算复杂度不高,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关特征数据。
缺点:可能会产生过度匹配问题。
适用数据类型:数值型和标称型。
3.2 决策树的一般流程
(1) 收集数据:可以使用任何方法。
(2) 准备数据:树构造算法只适用于标称型数据,因此数值型数据必须离散化。
(3) 分析数据:可以使用任何方法,构造树完成之后,应该检查图形是否符合预期。
(4) 训练算法:构造树的数据结构。
(5) 测试算法:使用经验树计算错误率。
(6) 使用算法:此步骤适用于任何监督学习算法,使用决策树可以更好地理解数据的内在含义。
3.3 决策树的构造
(1) 信息增益
划分数据集的大原则:将无序的数据变得更加有序。
组织杂乱无章数据的一种方法就是使用信息论度量信息,信息论是量化处理信息的分支科学。
信息增益:在划分数据集之前之后信息发生的变化,获得信息增益最高的特征就是最好的选择。
熵:集合信息的度量方式称为香农熵或者简称为熵。熵定义为信息的期望值。
信息:如果待分类的事务可能划分在多个分类之中,则xi的信息定义为:
其中,p(xi)是选择该分类的概率。
所有类别所有可能值包含的信息期望值:
其中,n是分类的数目。
熵代表信息的混乱度信息。其基本作用就是消除人们对事物的不确定性。一个系统越是有序,信息熵就越低;反之,一个系统越是混乱,信息熵就越高。所以,信息熵也可以说是系统有序程度的一个度量。
(2) 划分数据集
对每个特征划分数据集的结果计算一次信息熵,判断按照哪个特征划分数据集是最好的划分方式。
(3) 递归构建决策树
工作原理:得到原始数据集,基于最好的属性值划分数据集,第一次划分后,再次划分数据。因此可以递归处理数据集。
递归结束的条件:划分数据集所有属性,或者每个分支下的所有实例都具有相同的分类。