决策树
Posted Leo_wlCnBlogs
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了决策树相关的知识,希望对你有一定的参考价值。
决策树
决策树C#的实现探索
关于GBDT的概念性的文章,这里不再重复了,请自行百度一下。
决策树(分类)
组委会是要求测算GAP值,是个定量问题。在这之前,我们看一下是否能够限定性分析一下GAP的高低呢?
从滴滴算法大赛的数据可以知道,数据的特征值大约有这些:
- 天气相关:天气类型,PM2.5(离散化处理),温度(离散化处理)
- 交通状态:需要将原有数据重新计算为一个新的指标,例如将拥挤度进行加权平均。
- POI数据:挑选特征明显的分类
有一些特征需要自己去发现
- 工作日/休息日
- 特殊天气(极端最低气温)
- 时间段(根据组委会的题目,可以将9个待预测时间片,变化为9个时间段)
整理出来的表格大概像这个样子的(不完全,示例)
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
晴 | 拥挤 | 是 | 高 |
雷暴 | 轻度拥挤 | 否 | 低 |
晴 | 拥挤 | 否 | 中 |
雪 | 拥挤 | 否 | 中 |
晴 | 重度拥挤 | 是 | 高 |
这个时候,我们到底先用哪个条件作为优先决策的依据呢?答案就是上文提到的信息增益。
Information Gain 信息增益 和 Relative Information Gain
- IG(GAP分类 | 天气类型) = H(GAP分类) - H(GAP分类 | 天气类型)
- IG(GAP分类 | 交通状态) = H(GAP分类) - H(GAP分类 | 交通状态)
- IG(GAP分类 | 工作日) = H(GAP分类) - H(GAP分类 | 工作日)
哪个数字最大就挑选哪个作为第一优先分类条件。
现在我们假设工作日是最高信息增益的,作为第一个决策条件
第一次分组之后就是这个样子了:
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
晴 | 拥挤 | 是 | 高 |
晴 | 重度拥挤 | 是 | 高 |
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
雷暴 | 轻度拥挤 | 节假日 | 低 |
晴 | 拥挤 | 否 | 中 |
雪 | 拥挤 | 否 | 中 |
按照理论(大神的文章,以后会翻译的),工作日组的GAP分类都一致了,所以就无需决策了。
对于节假日组,根据交通状态进行再分类
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
雷暴 | 轻度拥挤 | 否 | 低 |
晴 | 拥挤 | 否 | 中 |
雪 | 拥挤 | 否 | 中 |
交通状态再分类结果如下
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
晴 | 拥挤 | 否 | 中 |
雪 | 拥挤 | 否 | 中 |
天气类型 | 交通状态 | 工作日 | GAP分类 |
---|---|---|---|
雷暴 | 轻度拥挤 | 否 | 低 |
这里无需天气类型就可以完成分类决策了。
(当然还有一种情况是所有特征都用完了,还是不能完全分类,这个时候可以使用多数表决的方式决定分类)
决策树(定量)
上面是一个定性的过程,下面我们来看一下,如果需要定量怎么处理呢?
天气类型 | 交通状态 | 工作日 | GAP数 |
---|---|---|---|
晴 | 拥挤 | 是 | 893 |
雷暴 | 轻度拥挤 | 否 | 375 |
晴 | 拥挤 | 否 | 542 |
雪 | 拥挤 | 否 | 437 |
晴 | 重度拥挤 | 是 | 753 |
- 根节点的输入是所有的值,输出是所有目标值得均值。
(输入和输出之间的差就是误差,这里往往不是计算简单的差,而是方差)
这里的平均值就是( 893 + 375 + 542 + 437 + 753 ) / 5 = 600
天气类型 | 交通状态 | 工作日 | GAP数 | 误差 |
---|---|---|---|---|
晴 | 拥挤 | 是 | 893 | 293 |
雷暴 | 轻度拥挤 | 否 | 375 | 225 |
晴 | 拥挤 | 否 | 542 | 58 |
雪 | 拥挤 | 否 | 437 | 167 |
晴 | 重度拥挤 | 是 | 753 | 153 |
第一次分类怎么处理呢?
分裂的时候选取使得误差下降最多的分裂
如果我们选择工作日作为分裂条件
工作日的均值是:(893 + 753 )/ 2 = 823
天气类型 | 交通状态 | 工作日 | GAP数 | 误差 |
---|---|---|---|---|
晴 | 拥挤 | 是 | 893 | +70 |
晴 | 重度拥挤 | 是 | 753 | -70 |
误差的方差是: 70 × 70 + 70 × 70 = 9800
节假日的均值是:(375 + 542 + 437 )/ 3 = 451
天气类型 | 交通状态 | 工作日 | GAP数 | 误差 |
---|---|---|---|---|
雷暴 | 轻度拥挤 | 否 | 375 | -76 |
晴 | 拥挤 | 否 | 542 | +91 |
雪 | 拥挤 | 否 | 437 | -14 |
误差的方差是: 76 × 76 + 91 × 91 + 14 × 14 = 14253
按照是否为工作日分裂之后的总误差是 9800 + 14253 = 24053
当然标准做法是计算所有的总误差,然后选取最小的总误差的特征作为分类特征
(如果在这里结束,则认为工作日的预测是823,节假日的预测是541当然这还没有完)
第一颗树:
工作日:+823
休息日:+451
天气类型 | 交通状态 | 工作日 | GAP数 | 误差 |
---|---|---|---|---|
晴 | 拥挤 | 是 | 893 | +70 |
晴 | 重度拥挤 | 是 | 753 | -70 |
雷暴 | 轻度拥挤 | 否 | 375 | -76 |
晴 | 拥挤 | 否 | 542 | +91 |
雪 | 拥挤 | 否 | 437 | -14 |
第二颗树:
如果按照拥挤分类呢?
注意这里我们使用的输入值是误差!!
天气类型 | 交通状态 | 工作日误差 |
---|---|---|
晴 | 拥挤 | +70 |
晴 | 拥挤 | +91 |
雪 | 拥挤 | -14 |
雷暴 | 轻度拥挤 | -76 |
晴 | 重度拥挤 | -70 |
首先计算均值:
- 轻度拥挤 : -76
- 重度拥挤 : -70
- 拥挤 : +49
(这些数字的意思是,如果你认为工作日的预测是823,节假日的预测是541,两者都需要根据拥挤程度根据上述值进行修正)
天气类型 | 交通状态 | 工作日误差 | 交通状态误差 |
---|---|---|---|
晴 | 拥挤 | +70 | +21 |
晴 | 拥挤 | +91 | + 42 |
雪 | 拥挤 | -14 | - 63 |
雷暴 | 轻度拥挤 | -76 | 0 |
晴 | 重度拥挤 | -70 | 0 |
第三颗树:
天气类型 | 交通状态:拥挤 |
---|---|
晴 | +21 |
晴 | + 42 |
雪 | - 63 |
晴天:+ 31
雪:- 63
在交通状态为拥堵的时候,如果是晴天,修正 31,雪:修正 -63
预测一下
天气类型 | 交通状态 | 工作日 | GAP数 |
---|---|---|---|
雪 | 拥挤 | 是 | ? |
工作日 +823
拥挤:+49
拥挤 且 雪天:-63
预测:809
天气类型 | 交通状态 | 工作日 | GAP数 |
---|---|---|---|
雪 | 拥挤 | 是 | 809 |
C#代码
回归分类树节点
/// <summary>
/// 回归分类树节点
/// </summary>
class TreeNode
{
/// <summary>
/// 节点属性名字
/// </summary>
public string attrName { set; get; }
/// <summary>
/// 节点索引标号
/// </summary>
public int nodeIndex { set; get; }
/// <summary>
/// 包含的叶子节点数
/// </summary>
public int leafNum { set; get; }
/// <summary>
/// 节点误差率
/// </summary>
public double alpha { set; get; }
/// <summary>
/// 父亲分类属性值
/// </summary>
public string parentAttrValue { set; get; }
/// <summary>
/// 孩子节点
/// </summary>
public TreeNode[] childAttrNode { set; get; }
/// <summary>
/// 数据记录索引
/// </summary>
public List<string> dataIndex { set; get; }
}
参考文献
以上是关于决策树的主要内容,如果未能解决你的问题,请参考以下文章
sklearn决策树算法DecisionTreeClassifier(API)的使用以及决策树代码实例 - 莺尾花分类