机器学习（决策树）

使用的书是 统计学习方法 +机器学习实战；

参考博客  http://blog.youkuaiyun.com/c406495762，感谢；

自己写一下，方便以后理解； 使用决策树做预测需要以下过程：

收集数据：可以使用任何方法。比如想构建一个相亲系统，我们可以从媒婆那里，或者通过参访相亲对象获取数据。根据他们考虑的因素和最终的选择结果，就可以得到一些供我们利用的数据了。
准备数据：收集完的数据，我们要进行整理，将这些所有收集的信息按照一定规则整理出来，并排版，方便我们进行后续处理。
分析数据：可以使用任何方法，决策树构造完成之后，我们可以检查决策树图形是否符合预期。
训练算法：这个过程也就是构造决策树，同样也可以说是决策树学习，就是构造一个决策树的数据结构。
测试算法：使用经验树计算错误率。当错误率达到了可接收范围，这个决策树就可以投放使用了。
使用算法：此步骤可以使用适用于任何监督学习算法，而使用决策树可以更好地理解数据的内在含义。
 

---

在决策树搭建的过程中，我们要选择节点，那么选择节点的依据是什么？

介绍两个概念  信息熵和信息熵增益（选择的依据）。

简单理解 信息熵就是 代表信息量的多少、 不确定性的大小、事物的简单复杂；

 

信息熵的计算对象 通常是某个特征（1列）或者分类对象（1列）；通常是一个已知数。

 

那么信息熵增益又是什么？

简单说  信息熵增益既然是衡量节点的东西  ，那么它必然是  特征对最后的分类的影响的体现；

具体就是  特征对分类的信息熵约束能力的大小。（信息熵增益大，代表特征对分类的信息熵约束能力的大，代表

特征会使得原来分类的信息熵变得非常小，不确定性变小）。

信息熵增益公式