决策树学习算法 - ID3算法

ID3算法概要：

 

熵值公式：

举例：

熵值公式用于判断一个样本集是否均匀分布，值的区间在[0,1]内，他有以下特点

　　1.分布越均匀，值越大

　　2.如果成单一分布，那么值为0

图例：

故可以推出通式（其中C为不同的状态）：

 

又推出某个属性相对于结果的公式（其中A为属性，为属性集）：

举例：

又：

我们可以看出Humidity比Wind更有价值。

PS：

1.用属性分割后结果越平均，越小，属性的价值越小

2.用属性分割后结果越不平均，越大，属性的价值越大（当属性呈一边倒时，值为最大值，即本身）

 

 

 

-------------------------------------------------------------------------------------------------------------------------------------------

 

 

一个完整的实例：

样本集：

 

 

取Outlook为第一个分支节点。

继续选择下个测验属性Humidity。

最后：

 

-------------------------------------------------------------------------------------------------------------------------------------------

算法缺点：

1.ID3算法不进行回溯，其收敛到局部最优解，而不是全局最优解。

2.当存在错误或噪声时，会产生过渡拟合

 

----------------------------

转载于:https://www.cnblogs.com/otomii/p/3457161.html