机器学习-决策树

Posted BelFuture

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习-决策树相关的知识,希望对你有一定的参考价值。

技术分享

一.简介

  决策树学习是一种逼近离散值目标函数的方法,在这种方法中学习到的函数被表示为一棵决策树。

二.决策树的表示法

  决策树通过把实例从艮节点排列到某个叶子结点来分类实例,叶子结点即为实例所属的分类。树上的每一个结点指定了对实例的某个属性的测试,并且该结点的每一个后继分支对应于该属性的一个可能值。分类实例的方法是从这棵树的根节点开始,测试这个结点的属性,然后按照给定实例的属性值对应的树枝向下移动。然后这个过程在以新结点的根的子树上重复。

技术分享

决策树对应表达式:

技术分享

三. 举例

技术分享

  1. 首先计算四个属性的信息增益:
  2. Gain(S,Outlook)=0.246

          Gain(S,Humidity)=0.151

          Gain(S,Wind)=0.048

          Gain(S,Temperature)=0.029

      根据信息增益标准,属性Outlook在训练样例上提供了对目标属性PlayTennis的最佳预测。

技术分享

        Ssunny ={D1,D2,D8,D9,D11}

        Gain(Ssunny,Humidity)=0.970-(3/5)0.0-(2/5)0.0=0.970

        Gain(Ssunny, Temperature)=0.970-(2/5)1.0-(2/5)1.0-(1/5)0.0=0.570

        Gain(Ssunny ,Wind)=0.970-(2/5)1.0-(3/5)0.918=0.019

 

以上是关于机器学习-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

机器学习--决策树

机器学习实战教程:决策树实战篇

机器学习决策树理论第二卷

机器学习笔记五 决策树

吴裕雄--天生自然python机器学习:决策树算法

机器学习之路--决策树