无标题文章

1. 机器学习中分类和预测算法的评估：

准确率
速度
强壮行
可规模性
可解释性

1. 什么是决策树/判定树（decision tree)?

   判定树是一个类似于流程图的树结构：其中，每个内部结点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶结点代表类或类分布。树的最顶层是根结点。

2. 机器学习中分类方法中的一个重要算法

3. 构造决策树的基本算法 分支 根结点
   结点

树叶

 3.1 熵（entropy）概念：

      信息和抽象，如何度量？
      1948年，香农提出了 ”信息熵(entropy)“的概念
      一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者          
      是我们一无所知的事情，需要了解大量信息==>信息量的度量就等于不确定性的多少
      
      例子：猜世界杯冠军，假如一无所知，猜多少次？
      每个队夺冠的几率不是相等的
      
      比特(bit)来衡量信息的多少

      

      

      变量的不确定性越大，熵也就越大
      

 3.1 决策树归纳算法 （ID3）

      1970-1980， J.Ross. Quinlan, ID3算法
 
      选择属性判断结点

      信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D)
      通过A来作为节点分类获取了多少信息

            

      

      

      

      

       类似，Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048

      所以，选择age作为第一个根节点

      重复。。。

      算法：

树以代表训练样本的单个结点开始（步骤1）。
如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2 和3）。
否则，算法使用称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。在算法的该版本中，
所有的属性都是分类的，即离散值。连续属性必须离散化。
对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）。
递归划分步骤仅当下列条件之一成立停止：
(a) 给定结点的所有样本属于同一类（步骤2 和3）。
(b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
点样本的类分布。
(c) 分枝
test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
创建一个树叶（步骤12）

 3.1 其他算法：
           C4.5:  Quinlan
           Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)
           共同点：都是贪心算法，自上而下(Top-down approach)
           区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)

 3.2 如何处理连续性变量的属性？ 

4. 树剪枝叶 （避免overfitting)
   4.1 先剪枝
   4.2 后剪枝

5. 决策树的优点：
   直观，便于理解，小规模数据集有效

6. 决策树的缺点：
   处理连续变量不好
   类别较多时，错误增加的比较快
   可规模性一般（