决策树枝干的拓展
Posted AI + UTO | Robot
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了决策树枝干的拓展相关的知识，希望对你有一定的参考价值。
主要内容
文章主要内容在我的古月居博客：
决策树枝干的拓展
枝干拓展
再发一下我们的数据集：
首先我们可以数出来有11个样本的KDA高于平均值，其中有5个是高手，6个非高手，因此MVP/SVP次数的是在这个基础上进行计算的，那么KDA高于平均值的样本集合的信息熵计算如下：
接下来计算在此基础上的MVP/SVP次数的高于均值的样本集合5个，得到了数据集（4，8，11，14，15），低于平均值的样本集合6个，得到了数据集（3，5，6，7，10，12），分别计算信息熵如下：
最后计算MVP/SVP次数的信息增益：
其实这里可以发现计算叶子节点的信息增益的时候，需要在其父节点的样本集合中找到相应的样本属性以及样本属性值进行计算。
改进
主要内容
文章主要内容在我的古月居博客：
决策树枝干的拓展
以上是关于决策树枝干的拓展的主要内容，如果未能解决你的问题，请参考以下文章
模式识别（Pattern Recognition）学习笔记（二十九）--决策树的剪枝