C4.5算法

C4.5算法

• C4.5 算法是 Ross 对ID3 算法的改进
• 用信息增益率来选择属性。ID3选择属性用的是子树的信息增益而C4.5用的是信息增益率
• 在决策树构造过程中进行剪枝
• 对非离散数据也能处理
• 能够对不完整数据进行处理

信息增益比（C4.5）

$$g_R(D,A)=\frac{g(D,A)}{H(D)}$$

其中，$g(D,A)$是信息增益，$H(D)$是数据集$D$的熵。

C4.5剪枝

预剪枝 (prepruning)

• 防止过拟合
• 剪枝策略在节点划分前来确定是否继续增长，及早停止增长,主要方法:
  • 节点内数据样本低于某一闽值
  • 所有节点特征都已分裂
  • 节点划分前准确率比划分后准确率高

后剪枝

在已经生成的决策树上进行剪枝，从而得到简化版的剪枝决策树.

• C4.5 采用的悲观剪枝方法，用递归的方式从低往上针对每一个非叶子节点，评估用一个最佳叶子节点去代替这课子树是否有益。如果剪枝后与剪枝前相比其错误率是保持或者下降，则这棵子树就可以被替换掉。
• C4.5 通过训练数据集上的错误分类数量来估算未知样本上的错误率
• 后剪枝决策树的欠拟合风险很小，泛化性能往往优于预剪枝决策树

C4.5算法的缺点

• C4.5 用的是多又树，用二又树效率更高
• C4.5 只能用于分类
• C4.5 使用的焰模型拥有大量耗时的对数运算，连续值还有排序运算C4.5 在构造树的过程中，对数值属性值需要按照其大小进行排序，从中选择一个分割点，所以只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时，程序无法运行。