数据挖掘复习笔记---04.1分类问题之决策树

分类问题之决策树

优点

  • 复杂度较低
  • 效率高
  • 非常适用于简单数据集的分类
  • 抗噪,对噪声鲁棒
  • 选取最优决策树是NP完全问题

划分选择

  • 使结点纯度越来越高

  • 信息熵

    Ent(D) = -Σ (Pk)·log(Pk)

  • 信息增益, Gain

    Gain(D, a) = Ent(D) – Σ (Di/D)·Ent(Di)

    Ent(Di) = -Σ (Pk)·log(Pk)

    ID3 算法使用 Gain 进行划分, 选择信息增益最大的作为划分特征

    缺点:倾向于选择取值更多的特征

    例题

    《数据挖掘复习笔记---04.1分类问题之决策树》

    《数据挖掘复习笔记---04.1分类问题之决策树》

    《数据挖掘复习笔记---04.1分类问题之决策树》

    《数据挖掘复习笔记---04.1分类问题之决策树》

  • 信息增益率, GainRatio

    GainRatio(D, a) = Gain(D, a) / IV(a),

    IV(a) = -Σ (Di/D)log(Di/D), 属性的熵, 属性的固有值, 如果某一特征取值过多,那么它的 IV 就会很大,会被惩罚

    C4.5 算法使用 GainRatio 进行划分, 在信息增益 Gain 高于 Avg 的属性中,选择 GainRatio 最大的属性作为划分属性

    例题(对应上一小节的数据集)

    IV(编号) = -Σ (1/17)·log(1/17) = -log(1/17) = 4.088
    IV(触感) = - [ (5/17)log(5/17) + (12/17)log(12/17) ] = 0.874

  • 基尼指数, Gini

    Gini(D) = 1 – Σp^2

    二路划分时(二叉树), Gini(D) = 2p(1 – p)

    多路划分时, Gini(D) = Σ (Di/D)·Gini(Di)

    CART 算法使用 Gini 指数进行划分, 选择 Gini 指数最小的属性作为划分属性

    注: 多路划分肯定比二路划分更纯,Gini也更小

    例题

    《数据挖掘复习笔记---04.1分类问题之决策树》

    《数据挖掘复习笔记---04.1分类问题之决策树》

    0.393 = (5/10)·(2·0.2·0.8) + (3/10)·(2·0.67·0.33) + (2/10)·(2·0.5·0.5)

  • 分类误差率

    Error(t) = 1 – max P(i|t)

    《数据挖掘复习笔记---04.1分类问题之决策树》

  • Hunt(略)

何时停止

  • 同一结点中所有的记录都属于同一类
  • 同一结点所有属性值相近
  • 早停(剪枝)

    原文作者:FrozenMap
    原文地址: https://segmentfault.com/a/1190000018990052
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞