这里写目录标题
- 一. ID3算法
- 1. 信息增益
- 2. ID3算法特点
- 二. C4.5算法
- 1. 信息增益率
- 2. C4.5算法特点
- 三. CART算法
- 1. Gini系数公式
- 2. CART算法特点
- 3. CART回归树的分裂评价指标
- 小节
在决策树算法逻辑篇中,我们讲解了决策树的构建方式,下面我们来聊一聊决策树中常用的三个算法
一. ID3算法
1. 信息增益
ID3算法是构造决策树的一个经典算法
使用信息熵以及信息增益来进行构建每次迭代选择信息增益最大的特征属性作为分割属性
2. ID3算法特点
- ID3算法只支持离散的特征属性,不支持连续的特征属性
- 若想处理连续的特征属性,要先对连续值进行离散化处理
- ID3算法构建的是多叉树,不保证二叉树
详细过程参考决策树算法逻辑篇中的银行示例
二. C4.5算法
对于ID3算法以信息增益为划分的标准,可以发现存在这样一种极端:
当收入按照60,80,87.5,95划分为五叉树时,可以直接得到熵为0的五个叶子节点,且此时系统的信息增益最大
此方案进行划分时,只需一次分裂就可以建好决策树
但是,显然上述这种情况下的划分并不合理;为了解决信息增益划分时的不合理情况,我们引入信息增益率的概念
1. 信息增益率
C4.5算法
使用信息增益率来进行构建每次迭代选择信息增益率最大的特征属性作为分割属性
G a i n − r a t i o ( D , a ) = G a i n ( D , a ) I V ( a ) Gain-ratio(D,a) = \frac{Gain(D,a)}{IV(a)} Gain−ratio(D,a)=IV(a)Gain(D,a)
G a i n ( D , a ) Gain(D,a) Gain(D,a):信息增益
I V ( a ) IV(a) IV(a):属性a的固有值I V ( a ) = − ∑ v = 1 v ∣ D v ∣ ∣ D ∣ log 2 ∣ D v ∣ ∣ D ∣ IV(a) = -\sum_{v=1}^{v}\frac{|D^{v}|}{|D|}\log_{2}{\frac{|D^{v}|}{|D|}} IV(a)=−v=1∑v∣D∣∣Dv∣log2∣D∣∣Dv∣
例子:
房子样本4个是,6个否
I V ( 房产 ) = − 4 10 log 2 4 10 − 6 10 log 2 6 10 = 3.747 IV(房产) = -\frac{4}{10}\log_{2}{\frac{4}{10}} -\frac{6}{10}\log_{2}{\frac{6}{10}}=3.747 IV(房产)=−104log2104−106log2106=3.747
婚姻样本4个单身,3个已婚,3个离婚
I V ( 婚姻 ) = − 4 10 log 2 4 10 − 3 10 log 2 3 10 − 3 10 log 2 3 10 = 4.003 IV(婚姻) = -\frac{4}{10}\log_{2}{\frac{4}{10}} -\frac{3}{10}\log_{2}{\frac{3}{10}}-\frac{3}{10}\log_{2}{\frac{3}{10}}=4.003 IV(婚姻)=−104log2104−103log2103−103log2103=4.003
2. C4.5算法特点
C4.5算法以信息增益率为划分标准有效避免了叉越多,信息增益越大的影响结合上面的公式分析,我们可以得出:树分支越多,IV(a)固有属性越大,信息增益率也就相对越小
- 在树的构造过程中会进行剪枝操作进行优化
- 能够自动完成对连续属性的离散化处理
- C4.5构建的是多分支的决策树
三. CART算法
1. Gini系数公式
CART算法
采用Gini系数来衡量划分的有效性
G i n i = ∑ i = 1 n [ p i ∗ ( 1 − p i ) ] = 1 − ∑ i = 1 n p i 2 Gini = \sum_{i=1}^{n}[p_{i}*(1-p_{i})] =1-\sum_{i=1}^{n}p_{i}^{2} Gini=i=1∑n[pi∗(1−pi)]=1−i=1∑npi2
2. CART算法特点
- 选择gini增益最大的属性作为当前数据集的分割属性
- 可用于分类和回归两类问题
- CART构建是二叉树
3. CART回归树的分裂评价指标
MSE均方误差划分指标:
样本越集中,值越小,划分越好
M S E = 1 n ∑ i = 1 n ( y i − y ˉ i ) 2 MSE=\frac{1}{n}\sum_{i=1}^{n}(y_{i}-\bar{y}_{i})^{2} MSE=n1i=1∑n(yi−yˉi)2
MAE绝对误差划分指标:
M A E = 1 n ∑ i = 1 n ∣ y i − y ^ i ∣ MAE=\frac{1}{n}\sum_{i=1}^{n}|y_{i}-\hat{y}_{i}| MAE=n1i=1∑n∣yi−y^i∣
小节
-
ID3,C4.5,CART三种算法适用在小规模数据集上,即内存要能装得下
-
ID3,C4.5,CART采用单变量决策树
单变量的决策树:每次分裂时只选择了一个特征进行分裂实际现实任务时每次只选择一个特征进行分裂效果并不好因此我们希望一次分裂时综合考虑好几个特征,组合成一个综合条件,但此时模型会相对复杂,计算量大
-
一般采用CART算法构造树,ID3和C4.5算法在sklearn库中没有真正实现
-
回归树中,叶子节点的预测值一般为叶子节点中所有值的均值
-
分类树中,叶子节点的预测值一般为叶子节点中概率最大的类别
注意:三种算法的主要区别在于划分指标不同
本质区别在于是否为二叉树
也就说,CART算法的划分指标当然也可以选用信息增益率来划分只要明确构建的树为二叉树,那么关于ID3存在的问题和C4.5想要解决的问题也就不存在了
感谢阅读🌼
如果喜欢这篇文章,记得点赞👍和转发🔄哦!
有任何想法或问题,欢迎留言交流💬,我们下次见!
本文相关代码存放位置
【[决策树 基于鸢尾花数据集的分类]】
祝愉快🌟!