做网站文章要一篇一篇的写吗,北京网站设计制作飞沐,wordpress不自动安装,网页升级紧急通知怎么设置概念 决策树是一种树形结构 树中每个内部节点表示一个特征上的判断#xff0c;每个分支代表一个判断结果的输出#xff0c;每个叶子节点代表一种分类结果 决策树的建立过程 1.特征选择#xff1a;选取有较强分类能力的特征。 2.决策树生成#xff1a;根据选择的特征生… 概念 决策树是一种树形结构 树中每个内部节点表示一个特征上的判断每个分支代表一个判断结果的输出每个叶子节点代表一种分类结果 决策树的建立过程 1.特征选择选取有较强分类能力的特征。 2.决策树生成根据选择的特征生成决策树。 3. 决策树也易过拟合采用剪枝的方法缓解过拟合 决策树的分类 ID3 决策树 如何挑选出区分度最强的特征: 遍历所有特征, 尝试进行分类, 计算所有特征的信息增益 选择信息增益最大的特征作为当前轮选出来的特征 信息熵/信息增益 在信息论中代表随机变量不确定度的度量 其中 P(xi) 表示数据中类别出现的概率H(x) 表示信息的信息熵值 信息增益 信息熵 - 条件熵 条件熵 ∑ 当前类别特征取值在所有样本中的比例 * 当前类别特征取值的信息熵 ID3 决策树生长停止的条件 所有的叶子结点信息熵为0 所有的特征都用完了 案例 下面以常用的贷款申请样本数据表为样本集通过数学计算来介绍信息增益计算过程。 Step1 计算经验熵 类别一共是两个拒绝/同意数量分别是6和9根据熵定义可得 Step2 各特征的条件熵 将各特征分别记为 $A_1,A_2,A_3,A_4$ 分别代表年龄、有无工作、有无房子和信贷情况那么 Step3 计算增益 根据计算所得的信息增益选取最大的$A_3$ 作为根节点的特征。它将训练集 $D$ 划分为两个子集$D_1$取值为“是”和$D_2$取值为“否”。由于$D_1$只有同一类的样本点所以成为一个叶节点节点标记为“是”。 对于$D_2$需从特征$A_1,A_2,A_4$中选择新的特征。计算各个特征的信息增益 选择信息增益最大的特征$A_2$作为节点的特征。由于$A_2$有两个可能取值一个是“是”的子节点有三个样本且为同一类所以是一个叶节点类标记为“是”另一个是“否”的子节点包含6个样本也属同一类所以也是一个叶节点类别标记为“否”。 最终构建的决策树如下 ID3算法步骤 计算每个特征的信息增益 使用信息增益最大的特征将数据集 S 拆分为子集 使用该特征信息增益最大的特征作为决策树的一个节点 使用剩余特征对子集重复上述123过程 C 4.5 决策树 ID3 决策树的缺陷: 倾向于选择类别取值比较多的特征, (ID3 计算信息增益带来的缺陷) C4.5 做特征选择的时候, 计算的是信息增益率, 而不是信息增益 信息增益率 信息增益/ 特征自己的信息熵 相当于对信息增益进行修正增加一个惩罚系数 Cart树 Cart模型是一种决策树模型它即可以用于分类也可以用于回归。 Cart回归树使用平方误差最小化策略 Cart分类生成树采用的基尼指数最小化策略。 Cart分类生成树 基尼值GiniD从数据集D中随机抽取两个样本其类别标记不一致的概率。故GiniD值越小数据集D的纯度越高。 基尼指数Gini_indexD选择使划分后基尼系数最小的属性作为最优化分属性。 注意 信息增益ID3、信息增益率值越大C4.5则说明优先选择该特征。 基尼指数值越小 cart则说明优先选择该特征。 Cart回归决策树 CART 回归树和 CART 分类树的不同之处在于:  CART 分类树预测输出的是一个离散值CART 回归树预测输出的是一个连续值 CART 分类树使 用基尼指数作为划分、构建树的依据CART 回归树使用平方损失 分类树使用叶子节点多数类别 作为预测类别回归树则采用叶子节点里均值作为预测输出 CART 回归树的平方损失 决策枝剪枝 为什么要剪枝: 决策树剪枝是一种防止决策树过拟合的一种正则化方法提高其泛化能力 把子树的节点全部删掉使用用叶子节点来替换 剪枝的方式 预剪枝指在决策树生成过程中对每个节点在划分前先进行估计若当前节点的划分不能带来决 策树泛化性能提升则停止划分并将当前节点标记为叶节点; 优点: 预剪枝使决策树的很多分支没有展开不单降低了过拟合风险还显著减少了决策树的 训练、测试时间开销 缺点: 有些分支的当前划分虽不能提升泛化性能但后续划分却有可能导致性能的显著提高  预剪枝决策树也带来了欠拟合的风险 后剪枝是先从训练集生成一棵完整的决策树然后自底向上地对非叶节点进行考察若将该节点 对应的子树替换为叶节点能带来决策树泛化性能提升则将该子树替换为叶节点。 优点: 比预剪枝保留了更多的分支。一般情况下后剪枝决策树的欠拟合风险很小泛化性能 往往优于预剪枝 缺点: 后剪枝先生成后剪枝。自底向上地对树中所有非叶子节点进行逐一考察训练时间开 销比未剪枝的决策树和预剪枝的决策树都要大得多。