决策树复习

注：本博客为周志华《机器学习》读书笔记
参照以及引用的博文和视频：
1.天泽28　 https://blog.csdn.net/u012328159/article/details/70184415
2.ksy_e　　https://blog.csdn.net/kunshanyuZ/article/details/87861960
3.B站【一起啃书】机器学习西瓜书白话解读，作者是：致敬大神 https://www.bilibili.com/video/BV17J411C7zZ?p=64

4.2 划分选择

一般而言，随着决策树的不断划分，我们希望决策树的分支节点所包含的样本尽可能属于同一类别，即节点的“纯度”越来越高。

4.2.1信息增益（决策树ID3训练算法）

信息与熵的概念及度量

一、概念

1.什么是熵
　　　一种事物的不确定性。比如：我第一次去买西瓜，不知道怎么挑西瓜，很懵，但不知到该挑哪一个。
2.什么是信息
　　消除我对不确定事物的因素。
信息的作用：
　　调整概率；拿一个榴莲闻一闻，很香，他就进入了你的目标。
　　排除干扰；无关因素，包装，店面等等因素。
　　确定情况；比如卖瓜的人说了一句，这瓜保熟，不甜不要钱。你是不是打算挑这个西瓜。
3.噪音
　　不能消除某人对某件事的不确定性的事物（白白浪费精力）。
４.数据
　　我们日常得到的数据就是：噪音+信息

二、熵如何量化

1. 参照单位
   　参照一个不确定的事件作为单位。
   我的不确定相当于抛几次硬币的不确定性：如抛硬币：50%正，50%反相当于猜一次硬币的不确定性，记为1bit（二分法）。
   如下表：

抛硬币次数	结果个数
1	2
2	4
3	8
n	2n

抛硬币次数与结果不确定性呈指数关系
２.等概率均匀分布
　8个等概率的不确定情况，相当于抛3次硬币
　4个等概率的不确定情况，相当于抛2次硬币
假设有m=10个等概率的不确定情况，那么10 = 2ⁿ ，相当于抛n = log₂10 次硬币
所以等概率均匀分布的熵: n = log₂m (m:有m种等概率的不确定的情况。n：这种情况熵的值)
３.每种情况概率不相等一般分布
　样本集合D中第k类样本所占的比例为 $p_k$(k = 1,2,3,…$\mid y\mid$)
　信息熵计算公式：Ent(D) =- $\sum _{k=1}^{\mid y\mid }{p}_{k}lo{g}_2{p}_k$ （y:当前结果的个数）
Ent(D)的值越小，则D的纯度越高。（这个公式也决定了信息增益的一个缺点：即信息增益对可取值数目多的特征有偏好（即该属性能取得值越多，信息增益，越偏向这个），因为特征可取的值越多，会导致“纯度”越大，即Ent（D）会很小，如果一个特征的离散个数与样本数相等，那么Ent（D）值会为0）。

公式复杂，但举例很容易理解：
　　　　
　　
解释原理：
　　　

三、信息如何量化(信息增益 ID3决策树算法)

得知信息前后，熵的差额就是信息的量（信息增益）
公式：

一般而言，信息增益越大，则表示使用特征对数据集划分所获得的“纯度提升”越大。所以信息增益可以用于决策树划分属性的选择，其实就是选择信息增益最大的属性，ID3算法就是采用的信息增益来划分属性。

举例：小明不知道选择题是ABCD哪个选项是时的熵： n = log₂4 = 2，
这时告诉小明C有一半概率是正确，小明知道C有一半概率后：A正确的概率：1/6，B正确的概率：1/6，C正确的概率：1/2，D正确的概率：1/6
所以小明知道C有一半概率后的不确定性（熵）：

所以，告诉小明C有一半概率是正确 提供的信息：2 -1.73 = 0.21

关于西瓜书熵决策树所有例子，有一个大神写的很详细，地址如下：`

天泽28，这位大神把每一步写的都很详细，链接点此引用

4.2.2 增益率（C4.5决策树算法）

信息增益比的定义为：
　　　　
其中：
　　　
举例：上面计算了关于色泽的信息增益
信息增益为：

所以特征“色泽”的增益率为：

信息增益与增益率的缺点

１．信息增益对取值数目较多的属性有所偏好
　　举个例子讲，还是考虑西瓜数据集，如果我们把“编号”这一列当做属性也考虑在内，那么可以计算出它的信息增益为0.998，远远大于其他的候选属性，因为“编号”有17个可取的数值，产生17个分支，每个分支结点仅包含一个样本，显然这些分支结点的纯度最大。但是，这样的决策树不具有任何泛化能力。

２．增益率对取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使用增益率最大的候选划分属性，而是使用了一个启发式算法：先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择信息增益率最高的。

4.2.3 基尼指数

Gini(D)反映了从数据D中随机抽取两个样本，其中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。


所以在候选属性集合中，选择那个使得划分后基尼指数最小的属性作为最优划分属性。

关于基尼指数的详细例子，参考大神 ksy_e的博文

详细地址在此

4.3 剪枝处理

剪枝是决策树学习算法对付“过拟合”的主要手段。分为：预剪枝和后剪枝
关于剪枝处理，B站有位大神讲的十分清楚：
【一起啃书】机器学习西瓜书白话解读，讲解的西瓜书上的内容，甚是透彻。

B站地址在此
但要注以两点：
　１.标记（好瓜坏瓜）是由训练集中数量最多的类别决定的，当数量相同时为好瓜。
　２精确值时由测试集上的样例是否分对的个数。

4.4连续值与缺失值

还是看大神天泽28的博文

详细地址在此

但要总结一下计算过程（参照西瓜书数据集3.0）：
1.先把“密度”这些值从小到大排序（17个数值）
2.依此计算两两之间的中位数（16个数值）
3.以此以16个中位数为阈值，划分数据集（二分类），从而计算信息增益或基尼指数。