决策树构建

Posted 2020-10-23 KK——数据分析

信息熵：

生活中的所见所闻，都接触到许许多多的信息，有的信息对我们有用，有的无用。如 “地球是自转的”，这条信息对我们没什么用，因为我们都知道，而且是确确实实是这样的。香农用信息熵的概念来描述信源的不确定度，变量的不确定性越大，熵也就越大。

 

在某个事件中，如果不发生的概率为0，那么可以确定信息熵为0，当发生的概率为1时，属于确定性事件，同样信息熵为0。只有当发生的概率为0.5 时，不确定程度则越大，熵也就越大。（如下图，x轴为发生的概率，y轴为熵）

 计算信息熵公式：(通常以2为对数底数)

 

其中 p(x_i) 代表随机事件X为 x_i 的概率。

 

 条件熵：在满足某个条件下，随机变量的不确定性。

 

信息增益：信息增益是特征选择的一个重要指标，表示在某个条件下，信息不确定性的减少程度。

简单来说：信息增益 = 信息熵 - 条件熵

信息增益率：信息增益率为信息增益与该特征的信息熵之比

 

决策树的构建，是基于 ID3算法 或 C4.5算法。

ID3算法：

分类预测算法，算法的核心是“信息熵”。ID3算法使用信息增益（Info-Gain），期望信息越小，信息增益越大，从而纯度越高，划分越好。ID3算法通过计算每个属性的信息增益，认为信息增益高的是好属性，每次划分选取信息增益最高的属性为划分标准，重复这个过程，直至生成一个能完美分类训练样例的决策树。

1. 所有属性必须为离散量；

2. 所有的训练的所有属性必须有一个明确的值；

3. 相同的因素必须得到结论且训练例唯一；

 

C4.5算法：

C4.5是ID3的一个改进算法。

使用信息增益率（Gain-ratio）选择属性；

1. 在树构造过程中进行剪枝；

2. 对连续属性离散化处理；

3. 对不完整数据进行处理；

 

优点：易于理解，准确率高；

缺点：构造过程中对数据集独处顺序扫描排序，至算法效率低。内存足够容纳数据。

 

示例： 通过信息增益构建分类决策树

其中，Gender,Education,MarStatus,City 为分类特征，IsPay 为结果。IsPay  中， “no” 个数为9，“yes” 个数为11。

即概率 p(Ispay = no) = 9 / 20 ,  p(Ispay = yes) = 11 / 20, 套用信息熵公式，计算 IsPay 的信息熵。

 

结果为：E(IsPay) = 0.992774453987808

 

现在以性别为例，计算信息熵和信息增益：

男性的信息熵为：0.995727899051793

 

女性的信息熵为：0.863121148140382

 

该性别平均熵为：0.949315536232799

信息增益为：0.043458917755009

 

 同样方法，将 Education,MarStatus,City 都计算出来，结果如下：

 

可以看到，学历 Education 的信息增益是最大的，数据集将以 Education 为条件，划分到三个子集。树型结构如下：

数据集如下：

可以看到 学历为 “研究生” 的节点， Ispay 都为 “yes” ，纯度很高，不需要再划分了。即当学历为研究生时，Ispay=‘yes’ 的概率为1。

 

数的第一层确定了，现在构建第二层，已学历为大专为例。计算结果如下：

 

在这个层级节点中， City 的信息增益最大，接下来将以城市来划分节点。

决策树构建结果如下：

 

 

 更多参考：

ch4.pdf-分类基本概念：决策树和模型评估

数据挖掘十大经典算法--CART: 分类与回归树

机器学习之决策树算法

 信息熵：https://www.zhihu.com/question/22178202

条件熵：https://www.zhihu.com/question/22104055

信息增益：https://zhuanlan.zhihu.com/p/26551798