《机器学习之决策树.ppt》由会员分享,可在线阅读,更多相关《机器学习之决策树.ppt(28页珍藏版)》请在三一办公上搜索。
1、决策树的原理及适用情景,内容,一个决策树的例子,运用决策树分类预测,运用决策树分类预测,运用决策树分类预测,运用决策树分类预测,运用决策树分类预测,运用决策树分类预测,同一个训练数据生成另一棵决策树,问题来了?,什么是决策树?,决策树概念,根节点,叶子节点,决策树概念,决策树是一种树形结构,通过做出一系列决策(选择)来对数据进行划分,这类似于针对一系列问题进行选择。决策树的决策过程就是从根节点开始,测试待分类项中对应的特征属性,并按照其值选择输出分支,直到叶子节点,将叶子节点的存放的类别作为决策结果。一句话概括:从训练数据中学习得出一个类似于流程图的树型结构。,决策树算法,信息增益ID3增益比
2、率C4.5基尼指数CART,信息熵,一条信息的信息量和它的不确定性有着直接的关系,公式定义:,变量的不确定性越大,熵也就越大,需要的信息量也越大,纯度就越小。,条件熵,信息增益,举例说明,按年龄划分,按收入划分,按学生划分,按信用划分,确定第一次分裂的属性,确定第二次分裂的属性,决策树划分,决策树优缺点,优点:推理过程容易理解,计算简单,可解释性强。比较适合处理有缺失属性的样本。可自动忽略目标变量没有贡献的属性变量,也为判断属性变量的重要性,减少变量的数目提供参考。缺点:容易造成过拟合,需要采用剪枝操作。忽略了数据之间的相关性。对于各类别样本数量不一致的数据,信息增益偏向于那些更多数值的特征。,决策树适用情景,1、决策树能够生成清晰的基于特征选择不同预测结果的树状结构,数据分析师希望更好的理解手上的数据的时候可以使用。2、决策树更大的作用是作为一些更有用的算法的基石。例如:随机森林、AdaBoost、GBDT,THANKYOU!,