1. 基本概念
决策树是一类常见的机器学习算法,是一种简单但是广泛使用的分类器。顾名思义,决策树基于树结构进行决策。一般的,一颗决策树包含一个根结点、若干个内部结点和若干个叶结点;叶结点对应于决策结果,其他每个结点则对应于一个属性测试;每个结点包含的样本集合根据属性测试的结果被划分到子结点中;根结点包含样本全集。从根结点到每个叶结点的路径对应一个判定测试序列。
决策树学习的目的是为了产生一颗泛化能力强,即处理未见示例能力强的决策树。
- 决策数有两大优点:
1)决策树模型可以读性好,具有描述性,有助于人工分析;
2)效率高,决策树只需要一次构建,反复使用,每一次预测的最大计算次数不超过决策树的深度。
2. 划分选择
决策树学习的关键是如何选择最优划分属性,一般而言,随着划分过程不断进行,我们希望决策树的分支结点所包含的样本尽可能的属于同一类别,即结点的"纯度"越来越高。这里介绍三个划分准则:
2.1 信息增益
“信息熵”是度量样本集合纯度最常用的一种指标。假定当前样本集合
D中第
k类样本所占的比例为
pk(k=1,2,3,...∣Y∣),z则
D的信息熵定义为
Ent(D)=−∑k=1∣Y∣pklog2pk
约定:若
p=0,则
plog2p=0
Ent(D)的值越小,则
D的纯度越高。
假定离散属性
a有V个可能的取值
{a1,a2,...aV},若使用a来对样本集
D进行划分,则会产生
V个分支结点,其中第
v个分支结点包含了
D中所有在属性
a上取值为
av的样本,记为
Dv.根据上式计算出
Dv的信息熵,考虑到不同的分支结点所包含的样本数不同,给分支结点赋予权重
∣Dv∣/∣D∣,即样本数越多的分支结点的影响越大,于是可计算出用属性
a对样本集进行划分所获得的“信息增益”。
Gain(D,a)=Ent(D)−∑v=1V∣D∣∣Dv∣Ent(Dv)
一般而言,信息增益越大,意味着使用属性
a来进行划分所获得的“纯度提升”越大,因此,可用信息增益来进行决策树的划分属性选择,即选用
a∗=arg maxGain(D,a), ID3决策树学习算法就是用此准则来选择划分属性。
2.2 增益率
信息增益准则对可取数值数目较多的属性有所偏好,为减少这种偏好带来的不利影响,著名的C4.5决策树算法不直接使用信息熵,而是使用“增益率”来选择最优划分属性。增益率定义为:
Gain_ratio(D,a)=
IV(a)Gain(D,a)
其中
IV(a)=−∑v=1V∣D∣∣Dv∣log2∣D∣∣Dv∣
称为属性
a的固有值,属性
a的可能取值数目越大(V越大),
IV(a)的值通常会越大。
增益率准则对可取数值数目较少的属性有所偏好,所以,C4.5算法并不是直接选择增益率最大额划分属性,而是使用启发式:先从候选划分属性中找出信息增益高于平均水平的属性,再从中选择增益率最高的。
扫描二维码关注公众号,回复:
3514241 查看本文章
2.3 基尼指数
CART决策树使用“基尼指数”来选择划分属性,数据集
D的纯度可用基尼指指来度量:
Gini(D)=∑k=1∣Y∣∑k′̸=kpkpk′ =1-
∑k=1∣Y∣pk2
直观上,
Gini(D)反应了从数据集
D中随机抽取两个样本,其类别标记不一致的概率,因此
Gini(D)越小,数据集
D的纯度越高。
属性
a的基尼指数定义为
Gini_index
(D,a)=
∑v=1V∣D∣∣Dv∣Gini(Dv)
于是,我们在候选属性集合A中,选择使得划分后基尼指数最小的属性作为最优划分属性,即
a∗=arg min
Gini_index(D,a).