本文来自之前在Udacity上自学机器学习的系列笔记。这是第6篇，介绍了监督学习中的决策树模型。
决策树
决策树是监督学习中的分类模型的一种。关于分类模型，我们先了解下面的的概念：
- Instance：实例，表示输入input
- Concept：概念，表示输出函数Function
- Target concept：目标概念，即根据输入，希望得到的输出是什么
- Sample：训练集Training set
- Candidate：候选的输出函数Function
- Testing set：测试集Testing set
什么是决策树？它就像一颗倒过来的树形结构一样。比如，我们决定是否去餐厅A吃饭，我们会考虑多个因素，比如说肚子是否饿了、餐厅是否满座、中餐还是西餐等。最后，我们可以依次对每一个因素的判断，来得到结论。
image.png
所以，决策树就是：
- 选择数据集的一个特征，数据集作为初始的判断节点（Nodes），根据对这个特征的判断（Attributes），将数据集分为几类子节点；
- 沿着不同的子数据集，再选择数据集的一个特征，进行判断并细分数据集；
- 重复步骤2，直到获得满足条件的数据集，即叶子节点的数据集中的数据大多都属于同一类别了。
AND、OR、XOR
我们可以用“AND”，“OR”和“XOR”来加深理解。
- "AND"表示A和B同时为真时，C为真；否者为假；
- “OR”表示A或B为真时，C为真；否者为假；
- “XOR”表示A和B的结果不相同时，C为真，否则为假。
从而可以表示为：
image.png
上面是两个节点的情况，这可以推广到n个节点的情况。对于“AND”和“OR”，n个节点判断的计算量是线性的n阶运算；而“XOR”的计算量是指数级的阶运算。如果我们用真值表来表示n个节点的“XOR”决策树的话，每个节点是二元的，那么一共有
种情况，而输出则有
种，这个运算量是很大的。
模型
由上面的介绍，我们现在知道了，决策树是一种树状结构模型，可以解决分类的问题。
解决这类问题，可以通过特征选择的方法。
算法
ID3：
- 选择最优的特征A；
- 赋予特征A到决策树的节点；
- 对于特征A的每个值，创建节点的分支；
- 划分训练集到决策树的子节点；
- 如果子结点的数据得到完美地划分，那么模型训练结束；否则继续选择其他特征进行迭代。
ID3算法的特征选取按照“信息增益”最大的特征进行。所谓“信息增益”，字面上意思就是，根据该特征来划分数据可以降低数据集中的不确定性，即对每个划分出来的子数据集，里面的样本基本属于同一类。
这个方法背后思想也是很朴素的。因为当我们对一个不确定的问题进行思考时，会优先根据问题的特征，以及特征可能存在的情况进行细分，并且这种细分可以将问题最大程度地确定清楚。
熵（Entropy）
在信息学中，用“熵”这个概念来表示信息的不确定性，或者说数据集的不纯度。
假设一个数据集的样本中，包含了
个样本，每个样本有
个特征；一共有
个分类标签。用
表示标签集合的概率分布，那么整个数据集的熵定义为：
如果Entropy越大，说明数据集的不纯度越高，不确定性越大。
信息增益（Information Gain）
“信息增益”是可以降低这个数据集不纯度的定义。假设父节点经过某特征
的划分，根据这个特征的取值
，划分为多个子节点
。那么可以得到：
计算例子
| Grade | Bumpiness | Speed limit | Speed |
|---|---|---|---|
| steep | bumpy | yes | slow |
| steep | smooth | yes | slow |
| flat | bumpy | no | fast |
| steep | smooth | no | fast |
上述表格的特征分别是公路的Grade, Bumpiness和Speed limit特征，然后驾驶速度Speed是相应的输出。
对于父节点（ssff），对应有，且
如果选择Grade特征进行划分数据集，可以划分为（ssf）和（f）。
对于子节点（f），有，且
对于子节点（ssf），有，且
从而
综上，可以得到特征Grade下的信息增益
同理，可以求得
所以，Speed limit的信息增益最大，可以使用Speed limit作为最优特征进行划分数据集。
其他注意点
-
如果特征是连续值，例如年龄、体重、距离等，可以进行离散化处理，比如说年龄段在20到30的。
-
对于存在连续值的特征的决策树，可能有必要重复某个特征的判断，比如说年龄在20到30岁，如果判断为F，那就还需要对年龄继续判断，到底是大于30岁，还是小于20岁。
-
如果所有数据集都得到正确地划分，或者没有更多的特征时，就可以停止决策树。另外，没有出现过拟合情况也是。
-
决策树的优点是它相对来说比较直观和容易理解。但缺点就是容易过拟合，这是因为树的分叉过细导致。特别是当数据集包含大量特征的数据时。所以需要仔细地调整参数，避免过拟合。
具体scikit-learn可以参考：
https://scikit-learn.org/stable/modules/tree.html#tree
网友评论