决策树是基于特征(非数字,如年龄,身高特征)进行分类的过程,通常包括特征选择,决策树的生成,决策树的剪修。
5.1决策树模型与学习
5.1.1决策树模型
决策树由节点(内节点(特征或者说属性)和叶节点(类))和有向边组成,是一种对实例进行分类的树形结构。
5.1.2决策树与if-then
决策树模型可以看做是if-then的合集,每条路径构建一条规则,每个实例都能随此找到对应的分类。
5.1.3决策树与条件概率分布
决策树还表示给定特征条件下的条件概率分布(有点类似kd树)。对特征空间进行划分,叶节点上的实例对该处类的条件概率较大,往往偏向该一类。
5.1.4决策树学习
学习的目的是根据所给的数据集建一个模型树(确定分类的规则),使他能够进行正确的分类(预测)。
可以用损失函数(通常是正则化的极大似然函数)量化决策树学习成绩(损失函数小成绩高),但从所有损失函数中找到最优解是一个NP问题,不切实际,通过近似求解找到其次优解才是真正需要的。
算法通常是递归选择各个节点的最优特征。
5.2特征选择
5.2.1特征选择问题
通过信息增益或者信息增益比定量的选择有利于分类的特征。
5.2.2信息增益
随机变量X的熵的定义:
(该值始终大于0,通常以2或e为底)
熵越大,随机变量的不确定性越大,从定义可知:
在随机变量X的条件下随机变量Y的条件熵:
(与之前不一样)
当概率
是由数据估计(特别是极大似然估计)得到的话,所对应的是经验熵和经验条件熵
一般的,熵和条件熵的差被称为互信息,等价于决策树学习中的信息增益:
他表示了特征A使得数据集D信息不确定性减少的程度。
信息增益比:相对数据集而言,并没有绝对意义。