【人工智能】—_监督学习、分类问题、决策树、信息增益

Decision Trees 决策树

什么是决策树 —— 基本概念

• 非叶节点：一个属性上的测试，每个分枝代表该测试的输出
• 叶节点：存放一个类标记
• 规则：从根节点到叶节点的一条属性取值路径
  

建立决策树分类模型的流程

• 模型训练：从已有数据中生成一棵决策树
• 分裂数据的特征，寻找决策类别的路径
• 相同的数据，根据不同的特征顺序，可以建立多种决策树

如何建立决策树?

基本的决策树学习过程，可以归纳为以下三个步骤：

1. 特征选择：选取对于训练数据有着较强区分能力的特征
2. 生成决策树：基于选定的特征，逐步生成完整的决策树
3. 决策树剪枝：简化部分枝干，避免过拟合因素影响
   

决策树学习

问题：基于以下属性，决定是否在餐厅等待桌子：

1. Alternate：附近是否有其他选择的餐厅？
2. Bar：是否有一个舒适的酒吧区等待？
3. Fri/Sat：今天是星期五还是星期六？
4. Hungry：我们饿了吗？
5. Patrons：餐厅里的人数（无人、有些人、满座）
6. Price：价格范围（$、$$、$$$）
7. Raining：外面是否下雨？
8. Reservation：我们是否预约了？
9. Type：餐厅类型（法国、意大利、泰国、汉堡）
10. WaitEstimate：等待时间的预估值（0-10、10-30、30-60、>60）
    
    假设的一种可能表示
    例如，在上述餐厅等待桌子的问题中，我们可以使用决策树来表示假设，该决策树定义了在不同属性值下等待桌子的决策。以下是一个可能的假设树示例：
    

表达能力

决策树可以表示任何输入属性的函数，但使用单条路径来表示每个训练示例的决策树可能会过度拟合数据，无法很好地推广到新的未见过的数据示例。

决策树可以表达输入属性的任何函数。例如，对于布尔函数，函数真值表的每行对应于树中 的一条路径:
简单来说，针对每个训练示例，可以创建一条路径到叶子节点的一致性决策树（除非函数在输入属性上是非确定性的），但这种决策树可能会过度拟合数据，无法很好地泛化到新的未见过的数据示例。因此，更倾向于找到更紧凑的决策树来提高泛化性能。

决策树学习

目的：找到一个与训练示例一致的小树
想法：（递归）选择“最重要”属性作为（子）树的根

想法：一个好的属性将示例拆分为（理想情况下）“全正”或“全负”的子集

根据Patron分类是一个更好的选择

信息论在决策树学习中的应用

信息熵：计算数据的不确定性

$$\text{Entropy}(t)=-\sum _{j=1}^{m}p(j|t){\log }_{2}p(j|t)$$
此时：表示某个节点 （即某个特征）的信息不确定性
$p(j|t)$是节点特征的属于类别的样本的比例

• 特点：对于该节点特征t
  • 当样本均匀地分布在各个类别时，熵达到最大值$log(n_c)$, 此时包含的信息最少
  • 当样本只属于一个类别时，熵达到最小值 0, 此时包含的信息最多

对于包含 $p$ 个正例和 $n$ 个反例的训练集，其熵可以用以下公式计算：

$$I(\frac{p}{p+n},\frac{n}{p+n})=-\frac{p}{p+n}{\log }_2\frac{p}{p+n}-\frac{n}{p+n}{\log }_2\frac{n}{p+n}$$

其中，第一项和第二项分别表示正例和反例的占比，${\log }_2$ 表示以 2 为底的对数。熵的值越高，表示数据集越不确定。

特征选择准则一：信息增益

信息增益: 按某个特征划分之后，数据不确定性降低的程度

$$\text{Gain}(m)=\text{Entropy}(p)-(\sum _{i=1}^k\frac{|n_i|}{n}\text{Entropy}(i))$$

1. 第一项$\text{Entropy}(p)$表示数据未划分时的信息熵
2. 第二项${\sum }_{i=1}^k\frac{|n_i|}{n}\text{Entropy}(i)$表示按特征m划分后，数据的信息熵
   1. 按特征$m$划分后，父节点分裂成$k$个子节点
   2. 表示父节点的样本个数
   3. 表示子节点的样本个数
      选择准则：选择最大的N 对应的特征m

举例

结论

信息增益能够较好地体现某个特征在降低信息不确定性方面的贡献
信息增益越大，说明信息纯度提升越快，最后结果的不确定性越低

不足

信息增益的局限性，尤其体现在更偏好可取值较多的特征
取值较多，不确定性相对更低，因此得到的熵偏低，但不一定有实际意义
特征Customer ID有最大的信息增益，因为每个子节点的熵均为0

回到餐厅的例子

对于训练集，$p=n=6$，信息熵为 $I(\frac{6}{12},\frac{6}{12})=1$ bit。
考虑属性Patrons和Type（以及其他属性）

从12个例子中学到的决策树：