机器学习笔记（1）——决策树

机器学习中分类和预测算法的评估：

准确率

速度

强壮性

可规模型

可解释性

 

决策树

决策树是一个类似于流程图的结构

节点表示判断，将连续变量离散化，规定阈值归类

信息熵：变量的的不确定性越大，熵也就越大

计算公式：

P(x)为单个事件的概率

决策树归纳算法（ID3）

选择属性判断结点
         信息获取量(Information Gain)：Gain(A) = Info(D) -Infor_A(D)
         通过A来作为节点分类获取了多少信息
选择信息获取量最大的属性作为根节点，重复此过程直到所有结果都属于同一个类。

算法：
·      树以代表训练样本的单个结点开始（步骤1）。
·      如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2
<
4000
/span>和3）。
·      否则，算法使用称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。在算法的该版本中，
·      所有的属性都是分类的，即离散值。连续属性必须离散化。
·      对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
·      算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）。
·      递归划分步骤仅当下列条件之一成立停止：
·      (a) 给定结点的所有样本属于同一类（步骤2
和3）。
·      (b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
·      这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
·      点样本的类分布。
·      (c) 分枝
·      test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
·      创建一个树叶（步骤12）
 

特点：贪心算法，自上而下

其他算法：C4.5,CART（选择属性的度量方法不同

树剪枝叶：先剪枝，后剪枝

优点：直观、便于理解、小规模数据集有效

缺点：处理连续变量不好、类别较多时错误增加较快、可规模性一般

 

 

Python机器学习的库：sickit-learn

特性：

简单高效的数据挖掘和机器学习分析
对所有用户开放，根据不同需求高度可重用性
基于Numpy, SciPy和matplotlib
开源，商用级别：获得 BSD许可
 覆盖问题领域：
         分类（classification), 回归（regression), 聚类（clustering), 降维(dimensionalityreduction)
         模型选择(model selection), 预处理(preprocessing)
使用用scikit-learn
     安装scikit-learn: pip,easy_install, windows installer
     安装必要package：numpy， SciPy和matplotlib， 可使用Anaconda (包含numpy, scipy等科学计算常用
     package）
    安装注意问题：Python解释器版本（2.7 or3.4？）, 32-bit or 64-bit系统