决策树学习

✍ dations ◷ 2025-10-11 23:13:17 #决策树,分类算法

统计学,数据挖掘和机器学习中的决策树训练,使用决策树作为预测模型来预测样本的类标。这种决策树也称作分类树或回归树。在这些树的结构里, 叶子节点给出类标而内部节点代表某个属性。

在决策分析中,一棵决策树可以明确地表达决策的过程。在数据挖掘中,一棵决策树表达的是数据而不是决策。本页的决策树是数据挖掘中的决策树。

在数据挖掘中决策树训练是一个常用的方法。目标是创建一个模型来预测样本的目标值。例如右图。每个 内部节点 对应于一个输入属性,子节点代表父节点的属性的可能取值。每个叶子节点代表输入属性得到的可能输出值。

一棵树的训练过程为:根据一个指标,分裂训练集为几个子集。这个过程不断的在产生的子集里重复递归进行,即递归分割。当一个训练子集的类标都相同时 递归停止。这种 (TDITD) 是 贪心算法的一种, 也是目前为止最为常用的一种训练方法,但不是唯一的方法。


数据以如下方式表示:

其中Y是目标值,向量x由这些属性构成, x1, x2, x3 等等,用来得到目标值。

在数据挖掘中,决策树主要有两种类型:

术语分类和回归树 (CART) 包含了上述两种决策树, 最先由Breiman 等提出. 分类树和回归树有些共同点和不同点—例如处理在何处分裂的问题。

有些的方法产生多棵树:

还有其他很多决策树算法,常见的有:

构建决策树时通常采用自上而下的方法,在每一步选择一个最好的属性来分裂。 "最好" 的定义是使得子节点中的训练集尽量的纯。不同的算法使用不同的指标来定义"最好"。本部分介绍一些最常见的指标。

在CART算法中, 基尼不纯度表示一个随机选中的样本在子集中被分错的可能性。基尼不纯度为这个样本被选中的概率乘以它被分错的概率。当一个节点中所有样本都是一个类时,基尼不纯度为零。

假设y的可能取值为 J {\displaystyle J} (sunny, overcast, rainy), (hot, mild, cool), (high, normal), and (true, false), 目标值(yes, no), 总共14个数据点。为建造决策树,需要比较4棵决策树的信息增益,每棵决策树用一种属性做划分。信息增益最高的划分作为第一次划分,并在每个子节点继续此过程,直至其信息增益为0。

使用属性做划分时,产生2个子节点:值为真与为假。当前数据集,6个数据点的值为真,其中3个点的值为真,3个点的值为假;其余8个数据点的为假,其中6个点的值为真,2个点的值为假。 =true的子节点的信息熵计算为:

=false的子节点的信息熵计算为:

这个划分(使用属性)的信息熵是两个子节点信息熵的加权和:

为计算使用属性的信息增益,必须先计算出最初(未划分)的数据集的信息熵,数据集的有9个yes与5个no:

使用属性的信息增益是:

与其他的数据挖掘算法相比,决策树有许多优点:

在决策树中, 从根节点到叶节点的路径采用汇合或。而在决策图中, 可以采用 最小消息长度 (MML)来汇合两条或多条路径。

演化算法可以用来避免局部最优的问题

相关

  • 老年老年(英语:old age),一般指生物的生命周期一个阶段,即中年到死亡的一段时间不同的文化圈对于老年人有着不同的定义。由于生命的周期是一个渐变的过程,壮年到老年的分界线往往是很
  • 加尔达湖加尔达湖(意大利语:Lago di Garda)是意大利面积最大的湖泊,位于该国北部,约在威尼斯和米兰的半途之间,座落于阿尔卑斯山南麓,在上一次冰河时期结束时因为冰川融化而形成。现在的加
  • 石灰石石灰岩(灰石)(CaCO3)简称灰岩,又叫石灰石,是以方解石(矿物)为主要成分的碳酸钙岩。石灰岩主要是在浅海的环境下形成的。石灰岩按成因可划分为粒屑石灰岩(流水搬运、堆积形成);生物骨
  • 加成聚合反应加成反应(addition reaction)是一种有机化学反应,它发生在有双键或叁键的物质中。加成反应进行后,重键打开,原来重键两端的原子各连接上一个新的基团。加成反应一般是两分子反应
  • 造成不良影响畸形学(英语:Teratology)是研究生理上发展缺陷的学科。人们常常认为它就是研究人类先天性障碍的,但是其实畸形学的覆盖面比这个广得多。除了先天发育之外,它也研究其他的生命阶段
  • 古希腊观念科学革命(英语:Scientific revolution),指近世历史上,现代科学在欧洲萌芽的这段时期。在那段时期中,数学、物理学、天文学、生物学(包括人体解剖学)与化学等学科皆出现突破性的进步,
  • 龙脑香科龙脑香科(学名:Dipterocarpaceae)包括16属约580-680种,主要都是生长在热带雨林中的乔木,一般可以长到40-70米高,最高的可以达到85米,广泛分布在全世界的热带地区,是木材市场的重要产
  • 张致一张致一(1914年11月17日-1990年10月8日),山东泗水人,中国生理学家。1940年毕业于武汉大学生物系。1947年至1952年留学美国,获依阿华大学硕士学位和博士学位。曾任中国科学院动物研
  • SAR总群SAR超类群一个真核生物分类,包括不等鞭毛生物(Heterokonta,又名Stramenopiles)、囊泡虫(Alveolates)、有孔虫(Rhizaria),SAR一词由这三类生物的英文首字母而来。它包括大部分属于原
  • ATC代码 (D06)(Antifungals for dermatological use)(Emollients and protectives)(Preparations for treatment of wounds and ulcers)(Antipruritics, including antihistamines, anesthetics,