Machine-learning-DecisionTree
前言
决策树是一种自上而下,对样本数据进行树形分类的过程,由结点和有向边组成。结点分为内部结点和叶结点,其中每个内部结点表示一个特征或属性,叶节点表示类别。从顶部根节点开始,所有样本聚在一起,经过根节点的划分,样本被分到不同的子结点中,在根据子结点的特征进一步划分,直至所有样本都被归到某一个类别(即叶结点)中。
————《百面机器学习》
决策树作为最基础、最常见的有监督学习模型,常被用于分类问题和回归问题,将决策树应用集成学习思想可以得到随机森林、梯度提升决策树等模型。
决策树的生成包含了特征选择、树的构造、树的剪枝三个过程
从若干不同的决策树中选取最优的决策树是一个NP完全问题(Non-deterministic Polynomial,即无法在多项式时间内完成)
Questions
决策树有哪些常用的启发函数?
如何对决策树进行剪枝?
常用的决策树算法及其启发函数
ID3(最大信息增益)
对于样本集合D,类别数为K,数据集D的经验熵表示为
其中$C_k$是样本集合D中属于第k类的样本子集,$|C_k|$表示该子集的元素个数,$|D|$表示样本集合的元素个数。
熵度量了事物的不确定性,越不确定的事物,它的熵就越大。
举例,比如D有2个可能的取值,而这两个取值各为1/2时D的熵最大,此时D具有最大的不确定性。如果一个值概率大于1/2,另一个值概率小于1/2,则不确定性减少。
然后计算某个特征A对于数据集D的经验条件熵$H(D|A)$为
样例:
由上图的样例可知,写代码的信息增益最大,所有样本根据此特征,可以直接被分到叶节点中,完成决策树增长。
C4.5最大信息增益比
特征A对于数据集D的信息增益比定义为
其中
CART 最小基尼指数(Gini)
Gini描述的是数据的纯度,与信息熵含义类似
CART在每一次迭代中遍历所有特征属性及其取值,选择基尼指数最小的特征属性取值及其对应的切分点进行分类,分为两类(该取值为切分点,如上例的工资特征,以中等为切分点,高和低为一类,中等为另一类)但与ID3、C4.5不同的是,CART是一颗二叉树,采用二元切割法,每一步将数据按特征A的取值切成两份,分别进入左右子树
特征A的Gini指数定义为
ID3,C4.5以及CART之间的差异
首先ID3是采用信息增益作为评价标准,除了主要特征外,会倾向于取值较多的特征,因为信息增益反映的是给定条件以后不确定性减少的程度,特征取值越多就意味着确定性更高,也就是条件熵越小,信息增益越大,若分类特征过多,则ID3分类的泛化能力是非常弱的。
C4.5是在ID3基础上进行优化,通过引入信息增益比,一定程度上对取值比较多的特征进行惩罚,避免ID3出现过拟合的特性,提升决策树的泛化能力。
其次,从 大专栏 Machine-learning-DecisionTree样本类型的角度,ID3只能处理离散型变量,而C4.5和CART都可以处理连续型变量。C4.5处理连续型变量时,通过对数据排序之后找到类别不同的分割线作为切分点,根据切分点把连续属性转换为布尔型,从而将连续型变量转换多个取值区间的离散型变量。而对于CART,由于其构建时每次都会对特征进行二值划分,因此可以很好地适用于连续性变量。
从应用角度,ID3和C4.5只能用于分类任务,而CART(Classification and Regression Tree, 分类回归树)不仅可以用于分类,也可以用于回归任务(回归树使用最小平方误差准则)。
从实现细节、优化过程等角度,ID3对样本缺失值比较敏感,而C4.5和CART可以对缺失值进行不同方式的处理;ID3和C4.5可以在每个结点上产生出多叉分支,且每个特征在层级之间不会复用,而CART每个结点只会产生两个分支,最后形成一棵二叉树,且每个特征可以被重复使用;ID3和C4.5通过剪枝来权衡树的准确性与泛化能力,而CART直接利用全部数据发现所有可能的树结构进行对比。
参考:
https://www.cnblogs.com/pinard/p/6050306.html
如何对决策树进行剪枝
一棵完全生长的决策树会面临一个很严重的问题,即过拟合,若特征数量过多,如DNA特征,完全生长的决策树会面临所对应的每个叶结点中只会包含一个样本,这就导致决策树是过拟合的。剪枝操作可以提升模型泛化能力。
决策树的剪枝通常有两种方法:预剪枝(pre-pruning)和后剪枝(post-pruning)
预剪枝
预剪枝,即在生成决策树的过程中提前停止树的增长。
预剪枝的核心思想是在树中结点进行扩展之前,先计算当前的划分是否能带来模型泛化能力的提升,如果不能,则不再继续生长子树,此时可能存在不同类别的样本同时存于结点中,按照多数投票的原则判断该结点所属类别。预剪枝对于何时停止决策树的生长有以下几种方法。
(1)当树到达一定深度的时候,停止树的生长。
(2)当到达当前结点的样本数量小于某个阈值,停止树的生长。
(3)计算每次分裂对测试集的准确度提升,当小于某个阈值的时候,不再继续扩展。
预剪枝具有思想直接、算法简单、效率高等特点,适合解决大规模问题,但如何准确地估计何时停止树的生长(即上述方法中的深度或阈值),需要经验积累。
预剪枝存在局限性,有欠拟合的风险,针对不同的测试集,准确率会存在波动。
后剪枝
后剪枝的核心思想是让算法生成一棵完全生长的决策树,然后从最底层向上计算是否剪枝。剪枝过程将子树删除,用一个叶子结点替代,该结点的类别同样按照多数投票的原则进行判断。同样地,后剪枝也可以通过在测试集上的准确率进行判断,如果剪枝过后准确率有所提升,则进行剪枝。相对于预剪枝,后剪枝方法通常可以得到泛化能力更强的决策树。
常见的后剪枝方法包括错误率降低剪枝(Reduced Error Pruning, REP)、悲观剪枝(Pessimistic Error Pruning, PEP)、代价复杂度剪枝(Cost Complexity Pruning, CCP)、最小误差剪枝(Minimum Error Pruning, MEP)、CVP(Critical Value Pruning)、OPP(Optimal Pruning)等方法
代价复杂剪枝(CCP)主要包含以下两个步骤。
1)从完整决策树$T_0$开始,生成一个子树序列${T_0,T_1,T_2,…,T_n}$,其中$T_{i+1}$由$T_i$生成,$T_n$为树的根节点。
2)在子树序列中,根据真实误差选择最佳的决策树。
从$T_0$开始,裁剪Ti中关于训练数据集合误差增加最小的分支以得
到$T_{i+1}$。具体地,当一棵树T在结点t处剪枝时,它的误差增加可以用$R(t)−R(T_t)$表
示,其中$R(t)$表示进行剪枝之后的该结点误差,$R(T_t)$表示未进行剪枝时子树Tt的误
差。考虑到树的复杂性因素,我们用$|L(T_t)|$表示子树$T_t$的叶子结点个数,则树在结点t处剪枝后的误差增加率为
在得到$T_i$后,我们每步选择$alpha$最小的结点进行相应剪枝。
最新文章
- 作业七:团队项目——Alpha版本冲刺阶段009
- Step deep into GLSL
- 关押罪犯(codevs 1069)
- CSS(Cascading Style Sheet,叠层样式表),作用是美化HTML网页。
- [Python陷阱]os.system调用shell脚本获取返回值
- 微信公共服务平台开发(.Net 的实现)7-------发送图文消息
- PHP -- four arithmetic operation
- SSL Programming Tutorial
- iOS开发(Objective-C)常用库索引
- 设计模式 之 Organizing the Catalog 组织目录
- innerHTML与appendChild(newnodeText)的区别
- Effective C++ 18-23
- 深入了解jsonp解决跨域访问
- IOS网络请求之AFNetWorking 3.x 使用
- Eclipse中JavaSwing图形插件安装
- HDOJ5551 Huatuo's Medicine
- 设计一个BCD码计数器。
- 20155228 2016-2017-2 《Java程序设计》第8周学习总结
- InfluxDB 基本认识
- socket-tcp