最新要闻

广告

手机

iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?

iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?

警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案

警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案

家电

环球微资讯!机器学习-决策树

来源:博客园


(资料图)

目录
  • 前言
    • 关键概念
    • 实现流程
    • 决策树优缺点
      • 优点:
      • 缺点:
    • 典型的决策树算法
    • 代码

前言

  • 决策树是一种常用的机器学习算法,用于分类和回归问题。其主要思想是根据已知数据构建一棵树,通过对待分类或回归的样本进行逐步的特征判断,最终将其分类或回归至叶子节点

关键概念

  1. 节点:决策树由许多节点组成,其中分为两种类型:内部节点和叶子节点。内部节点表示某个特征,而叶子节点表示某个类别或回归值。
  2. 分支:每个内部节点连接着一些分支,每个分支代表着某个特征取值,表示样本在该特征上的取值。
  3. 根节点:决策树的根节点是整棵树的起点,即第一个判断特征的节点。
  4. 决策规则:决策树的每个节点表示一条决策规则,即对某个特征的判断,其决策规则是由已知数据集计算而得的。
  5. 剪枝:决策树为了避免过度拟合(Overfitting),通常会在构建好树之后进行剪枝操作,即去掉一些决策规则,以避免模型过于复杂。

实现流程

  1. 数据预处理:将原始数据转换成决策树可处理的数据格式。对于分类问题,需要将类别变量编码为数字;对于连续变量,需要进行离散化处理。
  2. 特征选择:从所有可用的特征中选择一个最佳的特征,用于划分数据集。常用的特征选择算法有信息增益、信息增益比和基尼指数等。
  3. 决策树的构建:将数据集递归地划分成越来越小的子集,直到数据集不能再被划分,或者达到预定的停止条件。在每个节点上选择最佳的特征,将数据集划分成两个子集,并在子集上递归地执行此过程,直到子集不能再被划分。
  4. 剪枝:为了避免过拟合,可以在构建完整棵树之后,对决策树进行剪枝。剪枝分为预剪枝和后剪枝两种方法。预剪枝是在决策树构建过程中,通过限制树的深度、节点数或其他条件,避免过拟合。后剪枝是在决策树构建完成之后,通过对子树进行剪枝,来减少决策树的复杂度。
  5. 决策树的评估:通过测试集或交叉验证等方法,对决策树的性能进行评估。评估指标包括准确率、精确率、召回率、F1分数等。
  6. 预测:将待预测的样本依次从根节点开始进行判断,按照决策规则向下移动,直到到达某个叶子节点,将样本归类于该叶子节点所代表的类别。

决策树优缺点

优点:

  1. 可解释性强:决策树模型的生成过程类似人类决策的过程,易于理解和解释,可帮助决策者了解数据特征、属性间的关系和决策规则,有助于对数据的深入分析和挖掘。
  2. 适用性广:决策树算法不需要对数据做过多的前置处理,如特征缩放、归一化等,可以直接处理离散或连续型的数据,且不受数据分布的影响,适用于各种类型的数据和问题。
  3. 可处理缺失值和异常值:决策树算法可以处理缺失值和异常值,因为在分裂节点时只需考虑当前样本的特征值,而不需要考虑其他样本的特征值。
  4. 速度快:决策树的训练和预测速度都很快,因为它的判定过程非常简单,只需对每个特征进行一次比较,所以时间复杂度为 O(n),其中 n 表示样本数量。

缺点:

  1. 容易过拟合:决策树的划分过程是基于训练数据的,因此容易出现过拟合现象,导致模型泛化能力差。可以通过剪枝、限制树的深度、增加样本数等方法来解决过拟合问题。
  2. 不稳定性高:由于数据的微小变化可能导致树结构的大幅变化,所以决策树的稳定性较差,需要采用集成学习等方法来提高稳定性。
  3. 对连续值处理不好:决策树算法对连续型变量的处理不如对离散型变量的处理好,需要对连续型变量进行离散化处理。
  4. 高度依赖数据质量:决策树算法需要有足够的样本数据和较好的数据质量,否则容易出现欠拟合和过拟合等问题,影响模型的性能。

典型的决策树算法

  1. ID3算法:ID3(Iterative Dichotomiser 3)算法是决策树算法中最早的一种,使用信息增益来选择最优特征。ID3算法基于贪心思想,一直选择当前最优的特征进行分割,直到数据集分割完成或没有特征可分割为止。
  2. C4.5算法:C4.5算法是ID3算法的改进版,使用信息增益比来选择最优特征。C4.5算法对ID3算法中存在的问题进行了优化,包括处理缺失值、处理连续值等。
  3. CART算法:CART(Classification and Regression Trees)算法是一种基于基尼不纯度的二叉树结构分类算法,用于解决二分类和回归问题。CART算法可以处理连续值和离散值的特征,能够生成二叉树结构,具有较好的可解释性。
  4. CHAID算法:CHAID(Chi-square Automatic Interaction Detection)算法是一种基于卡方检验的决策树算法,用于处理分类问题。CHAID算法能够处理多分类问题,不需要预先对特征进行处理。
  5. MARS算法:MARS(Multivariate Adaptive Regression Splines)算法是一种基于样条插值的决策树算法,用于回归问题。MARS算法能够处理连续值和离散值的特征,能够生成非二叉树结构,具有较好的拟合能力。

代码

基于Python的简单决策树实现,以Iris数据集为例:

from sklearn.datasets import load_irisfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score# 加载数据集iris = load_iris()X = iris.datay = iris.target# 划分数据集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 构建决策树clf = DecisionTreeClassifier()clf.fit(X_train, y_train)# 预测y_pred = clf.predict(X_test)# 评估性能accuracy = accuracy_score(y_test, y_pred)print("Accuracy: ", accuracy)

关键词: 决策规则 信息增益 机器学习