本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
1，什幺是决策树？
决策树是一种机器学习算法，我们可以使用决策树来处理分类问题。决策树的决策（分类）过程可以用一个倒着的树形结构来形象的表达出来，因此得名 决策树 。
决策树是一个包含根节点、若干内部节点和若干叶子节点的树形结构。决策树的根节点包含样本全集，内部节点对应特征属性，叶子节点表示决策的结果。
使用决策树进行判断时，从根节点开始，测试待分类数据的特征属性值，应该走哪条分支，循环这样判断，直到叶子节点为止。最终到达的这个叶子节点，就是决策树的最终决策结果。
决策树模型的学习过程一般有三个阶段：
特征选择 ：选择哪些属性作为树的节点。
生成决策树 ：生成树形结构。
决策树剪枝 ：是决策树的一种优化手段，比如剪去一些不必要的属性节点。一般有“预剪枝”和“后剪枝”两种。
剪枝的 目的 是防止过拟合现象，提高泛化能力。
预剪枝 是在决策树的生成过程中就进行剪枝，缺点是有可能造成欠拟合。
后剪枝 是在决策树生成之后再进行剪枝，缺点是计算量较大。
我们来看一个例子。
比如我们根据天气 是否晴朗 和 是否刮风 来决定是否去踢球？当天气晴朗并且不刮风的时候，我们才去踢球。
此时，就可以将这个决策过程用一个树形结构来表示，如下：
这就是一颗最简单的决策树，我们可以用它来判断是否要去踢球。最上方是树的根节点，最下方是树的叶子节点。方框里是判断条件，圆形中是决策的结果。
当然，实际的使用过程中，判断条件并不会这幺简单，也不会让我们自己手动画图。实际应用中，我们会让程序自动的，从一堆样本数据集中构造出这颗决策树，这个程序自动构建决策树的过程就是 机器学习 的过程。
最终构造出来的这棵决策树就是机器学习的结果，叫做 模型 。最后，我们可以向模型中输入一些 属性条件 ，让模型给出我们 判断结果 。
2，如何构建决策树？
比如我们有如下数据集：
| 序号 | 条件:天气晴朗? | 条件:是否刮风? | 结果:去踢球吗? |
|---|---|---|---|
| 1 | 是 | 否 | 去 |
| 2 | 是 | 是 | 不去 |
| 3 | 否 | 是 | 不去 |
| 4 | 否 | 否 | 不去 |
可以看到这个表格中有4 行（第一行表头不算），4 列数据。
一般在机器学习中，最后一列称为 目标(target) ，前边的列都称为 特征(features) 。
我们要根据这个数据集，来构建一颗决策树，那如何构建呢？
首先，需要确定使用哪个属性作为第一个判断条件，是先判断 天气晴朗 ，还是先判断 是否刮风 ？也就是，让天气晴朗作为树的根节点，还是让是否刮风作为树的根节点？
解决这个问题需要用到 信息熵 和 信息纯度 的概念，我们先来看什幺是信息熵。
3，什幺是信息熵？
1948 年，克劳德·香浓在他的论文“通信的数学原理”中提到了 信息熵 （一般用 H 表示），度量信息熵的单位是 比特 。
就是说，信息量的多少是可以量化的。一条信息量的多少与信息的不确定性有关，可以认为，信息量就等于不确定性的多少（信息的不确定度）。
信息熵的计算公式如下：
该公式的含义是：
待分类的事物可以分在多个分类中，这里的 n 就是分类的数目。
H(X) 表示熵，数学含义是，所有类别包含的信息期望值。
-㏒p(Xì) 表示符号的信息值， p(Xì) 是选择该分类的概率。
公式中的 log 一般以2 为底。
总之，就是要知道，信息量的多少是可以用数学公式计算出来的，用信息论中的专业术语就叫做信息熵。信息熵越大，信息量也就越大。
3.1，计算信息熵
那幺我们就来计算一下上面表格数据的信息熵。我们只关注“结果”那一列：
| 结果:去踢球吗? |
|---|
| 去 |
| 不去 |
| 不去 |
| 不去 |
根据表格，我们可以知道，所有的分类共有2 种，也就是“去” 和“不去”，“去”出现了1 次，“不去”出现了3 次。
分别计算“去” 和“不去” 出现的概率：
P(去) = 1 / 4 = 0.25 P(不去) = 3 / 4 = 0.75
然后，根据熵的计算公式来计算“去”和“不去” 的信息熵，其中log 以2 为底：
H(去) = 0.25 * log 0.25 = -0.5 H(不去) = 0.74 * log 0.75 = -0.31127812445913283
所以，整个表格含有的信息量就是：
H(表格) = -(H(去) + H(不去)) = 0.81127812445913283
3.2，用代码实现信息熵的计算
将计算信息熵的过程用 Python 代码实现，如下：
import math
# 本函数用于计算一组数据的信息熵
# data_set 是一个列表，代表一组数据
# data_set 的元素data 也是一个列表
def calc_ent(data_set):
labels = {} # 用于统计每个label 的数量
for data in data_set:
label = data[-1] # 只用最后一个元素做计算
if label not in labels:
labels[label] = 0
labels[label] += 1
ent = 0 # 熵
n = len(data_set) # 数据条数
# 计算信息熵
for label in labels:
prob = float(labels[label]) / n # label 的概率
ent -= prob * math.log(prob, 2) # 根据信息熵公式计算
return ent
下面用该函数来计算表格的信息熵：
# 将表格转化为 python 列表 # "yes" 表示"去" # "no" 表示"不去" data_set = [['yes'], ['no'], ['no'], ['no']] ent = calc_ent(data_set) print(ent) # 0.811278124459
可见，用代码计算出来的结果是 0.811278124459 ，跟我们手算的结果 0.81127812445913283 是一样的（保留的小数位数不同）。
4，什幺是信息纯度？
信息的纯度与信息熵成反比：
信息熵越大，信息量越大，信息越杂乱，纯度越低。
信息熵越小，信息量越小，信息越规整，纯度越高。
经典的“不纯度”算法有三种，分别是：
信息增益 ，即 ID3 算法 ， Information Divergence ，该算法由 Ross Quinlan 于1975 年提出，可用于生成二叉树或多叉树。
ID3 算法会选择信息增益最大的属性来作为属性的划分。
信息增益率 ，即 C4.5 算法 ，是 Ross Quinlan 在ID3 算法的基础上改进而来，可用于生成二叉树或多叉树。
基尼不纯度 ，即 CART 算法 ， Classification and Regression Trees ，中文为 分类回归树 。
只支持二叉树，即可用于分类数，又可用于回归树。分类树用 基尼系数 做判断，回归树用 偏差 做判断。
基尼系数本身反应了样本的不确定度。
CART 算法
信息增益是其中最简单的一种算法，后两者都是由它衍生而来。本篇文章中，我们只详细介绍信息增益。
基尼系数是经济学中用来衡量一个国家收入差距的常用指标。当基尼系数大于 0.4 的时候，说明财富差异较大。基尼系数在 0.2-0.4 之间说明分配合理，财富差距不大。
5，ID3 算法
ID3 算法也就是信息增益，在根据某个属性划分数据集的前后，信息量发生的变化。
信息增益的计算公式如下：
该公式的含义：
简写就是： G = H(父节点) - H(所有子节点)
也就是：父节点的信息熵减去所有子节点的信息熵。
所有子节点的信息熵会按照子节点在父节点中的出现的概率来计算，这叫做 归一化信息熵 。
信息增益的目的在于，将数据集划分之后带来的纯度提升，也就是信息熵的下降。如果数据集在根据某个属性划分之后，能够获得最大的信息增益，那幺这个属性就是最好的选择。
所以，我们想要找到根节点，就需要计算每个属性作为根节点时的信息增益，那幺获得信息增益最大的那个属性，就是根节点。
5.1，计算信息增益
为了方便看，我将上面那个表格放在这里：
| 序号 | 条件:天气晴朗? | 条件:是否刮风? | 结果:去踢球吗? |
|---|---|---|---|
| 1 | 是 | 否 | 去 |
| 2 | 是 | 是 | 不去 |
| 3 | 否 | 是 | 不去 |
| 4 | 否 | 否 | 不去 |
我们已经知道了，信息增益等于按照某个属性划分前后的信息熵之差。
这个表格划分之前的信息熵我们已经知道了，就是我们在上面计算的结果：
H(表格) = 0.81127812445913283 。
接下来，我们计算按照“天气晴朗”划分的信息增益。按照“天气晴朗”划分后有两个表格。
表格1，“天气晴朗”的值为“是”：
| 序号 | 条件:天气晴朗? | 条件:是否刮风? | 结果:去踢球吗? |
|---|---|---|---|
| 1 | 是 | 否 | 去 |
| 2 | 是 | 是 | 不去 |
分类共有2 种，也就是“去” 和“不去”，“去”出现了1 次，“不去”出现了1 次。
所以，“去” 和“不去” 出现的概率均为0.5：
P(去) = P(不去) = 1 / 2 = 0.5
然后，“去”和“不去” 的信息熵，其中log 以2 为底：
H(去) = H(不去) = 0.5 * log 0.5 = -0.5
所以，表格1 含有的信息量就是：
H(表格1) = -(H(去) + H(不去)) = 1
表格2，“天气晴朗”的值为“否”：
| 序号 | 条件:天气晴朗? | 条件:是否刮风? | 结果:去踢球吗? |
|---|---|---|---|
| 3 | 否 | 是 | 不去 |
| 4 | 否 | 否 | 不去 |
所有的分类只有1 种，是“不去”。所以：
P(不去) = 1
然后，“不去” 的信息熵，其中log 以2 为底：
H(不去) = 1 * log 1 = 0
所以，表格2 含有的信息量就是：
H(表格2) = 0
总数据共有4 份：
表格1 中有2 份，概率为 2/4 = 0.5
表格2 中有2 份，概率为 2/4 = 0.5
所以，最终按照“天气晴朗”划分的信息增益为：
G(天气晴朗) = H(表格) - (0.5*H(表格1) + 0.5*H(表格2)) = H(表格) - 0.5 = 0.31127812445913283。
5.2，ID3 算法的缺点
当我们计算的信息增益多了，你会发现，ID3 算法倾向于选择取值比较多的属性作为（根）节点。
但是有的时候，某些属性并不会影响结果（或者对结果的影响不大），那此时使用ID3 选择的属性就不恰当了。
为了改进ID3 算法的这种缺点，C4.5 算法应运而生。
6，C4.5 算法
C4.5 算法对ID3 算法的改进点包括：
采用信息增益率，而不是信息增益，避免ID3 算法有倾向于选择取值多的属性的缺点。
加入了剪枝技术，防止ID3 算法中过拟合情况的出现。
对连续的属性进行离散化的处理，使得C4.5 算法可以处理连续属性的情况，而ID3 只能处理离散型数据。
处理缺失值，C4.5 也可以针对数据集不完整的情况进行处理。
当然C4.5 算法也并不是没有缺点，由于 C4.5算法需要对数据集进行多次扫描，所以算法效率相对较低。
ID3 和C4.5 都是基于信息熵，所以涉及大量的对数运算。而 CART 算法基于基尼系数，不涉及对数运算。
7，CART 算法
CART 算法全称为 分类回归树 ，基于基尼系数。
基尼系数的计算公式如下：
该公式表示的含义是：
整个数据集共有 k 个类别。
第 n 个类别的概率为 Pn。
基尼系数的效果与熵模型高度近似，而且避免了对数运算，因此CART 算法的执行效率较高。
本篇文章主要介绍了决策树的基本原理，决策树的算法一般有三种，分别是ID3 算法，C4.5 算法，CART 算法，其中重点介绍了ID3 算法的计算过程。
下篇会介绍如何用决策树来解决实际问题。
（完。）
Be First to Comment