黑马程序员技术交流社区
标题:
【上海校区】决策树之ID3, C4.5与CART区别与联系
[打印本页]
作者:
不二晨
时间:
2018-10-19 09:30
标题:
【上海校区】决策树之ID3, C4.5与CART区别与联系
决策树之ID3, C4.5与CART区别
ID3决策树
著名的ID3决策树以信息增益为准则来选择划分属性;
区别于C4.5决策树算法,C4.5决策树算法是以增益率(gain ratio)来选择最优划分属性
ID3名字中的ID是Iterative Dichotomser(迭代二分类器)的简称
“信息熵(information entropy)是度量样本集合纯度最常用的一种指标。
假设当前样本集合D中第k类样本所占的比例为pk(k=1,2,…,∣Y∣) p_k (k=1,2,\dots, |Y|)p
k
(k=1,2,…,∣Y∣),则D的信息熵定义为:
Ent(D)=−∑∣Y∣k=1pklog2pk Ent(D) = - \sum_{k=1}^{|Y|}p_k log_2 p_k
Ent(D)=−
k=1
∑
∣Y∣
p
k
log
2
p
k
Ent(D)的值越小,则D的纯度越高。
假定离散属性α \alphaα有V VV个可能的取值α1,α2,…,αV \alpha^1, \alpha^2, \dots, \alpha^Vα
1
,α
2
,…,α
V
,若使用α \alphaα来对样本集D DD进行划分,则会产生V VV个分支节点,其中第v vv个分支节点包含了D DD中所有在属性α \alphaα上取值为αv \alpha^vα
v
的样本,记为Dv D^vD
v
.
我们可以根据上式计算出Dv D^vD
v
的信息熵,再考虑到不同的分支节点所包含的样本数不同,给分支节点赋予权重∣Dv∣∣D∣ \frac{|D^v|}{|D|}
∣D∣
∣D
v
∣
,即样本数越多的分支节点的影响越大,于是可计算出用属性α \alphaα对样本集D DD进行划分所获得的“信息增益”(information gain)
Gain(D,α)=Ent(D)−∑Vv=1∣Dv∣∣D∣Ent(Dv) Gain(D,\alpha) = Ent(D) - \sum_{v=1}^{V}\frac{|D^v|}{|D|}Ent(D^v)
Gain(D,α)=Ent(D)−
v=1
∑
V
∣D∣
∣D
v
∣
Ent(D
v
)
一般而言,信息增益越大,则意味着使用属性α \alphaα来进行划分所获得的“纯度提升”越大。因此,我们可使用信息增益来进行决策树的划分属性选择,即选择属性α∗=arg maxα∈A Gain(D,α) \alpha_* = arg \ max_{\alpha \in A} \ Gain(D, \alpha)α
∗
=arg max
α∈A
Gain(D,α)
注:使用信息增益与使用信息增益率作为属性选择的差别:从信息增益的定义式不难发现,若以信息增益作为属性选择依据,则该决策树生成时更倾向于选择可取值数目较多的属性(西瓜书中也有**“实际上,信息增益准则对可取值数目较多的属性有所偏好”).因此C4.5决策树算法作为ID3决策树算法的改进版,引入增益率,来消除这种不利影响,但“增益率准则对可取数目较少的属性有所偏好**”,
因此,C4.5算法并不是直接选择增益率最大的候选划分属性,而是使用了一个启发式:先从候选划分属性中找到信息增益高于平均水平的属性,在从中选择增益率最高的。“
C4.5决策树
ID3决策树使用信息增益准则划分属性,但信息增益准则对可取值数目较多的属性有所偏好。为了解决这个问题,Quinlan于1993提出C4.5决策树作为ID3决策树算法的改进版,不再直接使用信息增益,而是使用“增益率”(gain ratio)来选择最优划分属性,采用与上式相同的符号表示,增益率定义为:
Gain_ratio(D,a)=Gain(D,a)IV(a) Gain\_ratio(D,a)=\frac{Gain(D,a)}{IV(a)}
Gain_ratio(D,a)=
IV(a)
Gain(D,a)
其中
IV(a)=−∑Vv=1∣Dv∣∣D∣log2DvD IV(a)=-\sum_{v=1}^{V}\frac{|D^v|}{|D|}log_2 \frac{D^v}{D}
IV(a)=−
v=1
∑
V
∣D∣
∣D
v
∣
log
2
D
D
v
成为属性α \alphaα的“固有值”(intrinsic value)。属性α \alphaα的可能取值数目越多(即V越大),则IV(α) IV(\alpha)IV(α)的值通常会越大。
可参考西瓜书P78 P_78P
7
8示例
需要注意的是,引入增益率是为了消除“信息增益准则对可取值数目较多的属性有所偏好”,,但“增益率准则对可取数目较少的属性有所偏好”,因此,C4.5算法并不是直接选择增益率最大的候选划分属性,而是使用了一个启发式:先从候选划分属性中找到信息增益高于平均水平的属性,在从中选择增益率最高的。
CART决策树
CART决策树使用“基尼指数”(Gini index)来选择划分属性,
假设当前样本集合D中第k类样本所占的比例为pk(k=1,2,…,∣Y∣) p_k (k=1,2,\dots, |Y|)p
k
(k=1,2,…,∣Y∣),数据集D的纯度可用基尼值来度量:
Gini(D)=∑∣y∣k=1∑k′≠kpkpk′=1−∑∣y∣k=1p2k Gini(D) = \sum_{k=1}^{|y|} \sum_{k^{'}\neq k}p_k p_{k^{'}}= 1 - \sum_{k=1}^{|y|} p_{k}^{2}
Gini(D)=
k=1
∑
∣y∣
k
′
̸
=k
∑
p
k
p
k
′
=1−
k=1
∑
∣y∣
p
k
2
直观来说,Gini(D) Gini(D)Gini(D)反映了从数据集D中随机抽取两个样本,其类别标记不一致的概率。因此,Gini GiniGini越小,则数据集D DD的纯度越高。
采用与上式相同的符号表示,属性α \alphaα的基尼指数定义为:
Giniindex(D,α)=∑Vv=1∣Dv∣∣D∣Gini(Dv) Gini_index(D,\alpha) = \sum_{v=1}^{V}\frac{|D^v|}{|D|}Gini(D^v)
Gini
i
ndex(D,α)=
v=1
∑
V
∣D∣
∣D
v
∣
Gini(D
v
)
于是,我们在候选属性集合A中,选择那个使得划分后基尼指数最小的属性作为最优划分属性,即a∗=arg minα∈A Gini_index(D,α) a_* ={arg \ min}_{\alpha \in A} \ Gini\_index(D, \alpha)a
∗
=arg min
α∈A
Gini_index(D,α)
---------------------
【转载】
作者:dby_freedom
原文:
https://blog.csdn.net/Dby_freedom/article/details/82051751
作者:
不二晨
时间:
2018-10-25 10:47
作者:
魔都黑马少年梦
时间:
2018-11-1 16:22
欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/)
黑马程序员IT技术论坛 X3.2