机器学习（决策树2）
一、决策树算法
- ID3 算法
- 核心概念：使用信息增益选择划分属性，信息增益是某个属性带来的熵增，其值越大，使用该属性划分获得的 “纯度提升” 越大。
- 缺点：对可取值数目较多的属性有所偏好，例如最优划分为 “编号” 这类属性。
- 示例数据：包含 7 条记录，涉及天气、温度、湿度、是否多云及是否出去玩等属性，用于演示算法应用。
- C4.5 算法
- 核心概念：采用信息增益率（信息增益 ÷ 自身熵）来选择划分属性，以改进 ID3 算法的不足。
- 示例数据：与 ID3 算法使用相同的 7 条记录数据。
- CART 算法
- 核心概念：通过基尼指数衡量数据集纯度，基尼指数 Gini (D) 反映从数据集 D 中随机抽取两个样本，其类别标记不一致的概率，p 越大，Gini (D) 越小，数据集纯度越高。
二、连续值处理
- 方法：采用贪婪算法，先对连续值进行排序，然后确定可能的分界点进行二分，这一过程实质是 “离散化”。
- 示例：对于 Taxable Income 的连续值 60、70、75、85、90、95、100、120、125、220，有 9 个可能的分界点，可分割为如 TaxIn<=80 和 TaxIn>80，或 TaxIn<=97.5 和 TaxIn>97.5 等情况。
三、决策树剪枝策略
- 剪枝原因：决策树过拟合风险大，理论上可完全分开数据，需通过剪枝避免过拟合。
- 预剪枝
- 定义：边建立决策树边进行剪枝的操作，更实用。
- 方式：可通过限制深度、叶子节点个数、叶子节点样本数、信息增益量等进行剪枝。
- 后剪枝
- 定义：建立完决策树后进行剪枝操作。
- 衡量标准：最终损失 = 自身的 GINI 系数值 +α× 叶子节点数量。
- α 越大，越不易过拟合，但结果可能欠佳。
- α 越小，更注重结果好坏，过拟合可能较严重。
- 示例：原分支 “色泽 =?” 剪枝前验证集精度 57.1%，剪枝后 71.4%，决策为剪枝；原分支 “纹理 =?” 剪枝前 42.9%，剪枝后 57.1%，决策为剪枝。
四、决策树代码实现
- 函数：
DecisionTreeClassifier()用于创建决策树模型。 - 主要参数：
| 参数 | 说明 |
|---|---|
| criterion | 可选择 gini（基尼系数）或者 entropy（信息熵） |
| splitter | 可选择 best（在所有特征中找最好的切分点）或者 random（在部分特征中找） |
| max_features | 可设为 None（所有）、log2、sqrt、N |
| max_depth | int or None, optional (default=None)，设置决策树的最大深度，深度越大越易过拟合，推荐 5-20 之间 |
五、课堂练习
- 任务：使用决策树对泰坦尼克号幸存者进行预测。
关键问题
- 问题：ID3、C4.5、CART 三种决策树算法在划分属性选择上有何不同？
答案：ID3 算法使用信息增益选择划分属性，信息增益越大，纯度提升越大，但偏好可取值多的属性；C4.5 算法采用信息增益率（信息增益 ÷ 自身熵）来选择，以改进 ID3 的不足；CART 算法则通过基尼指数衡量数据集纯度，基尼指数越小，数据集纯度越高，以此选择划分属性。 - 问题：决策树为何需要剪枝？预剪枝和后剪枝有何区别？
答案：决策树过拟合风险很大，理论上可完全分开数据，剪枝是为了避免过拟合。预剪枝是边建立决策树边进行剪枝，更实用，可通过限制深度等方式实现；后剪枝是建立完决策树后进行剪枝，以最终损失（自身的 GINI 系数值 +α× 叶子节点数量）为衡量标准，α 大小影响过拟合和结果好坏。 - 问题：在决策树中，如何处理连续值属性？
答案：处理连续值属性采用贪婪算法，首先对连续值进行排序，然后确定可能的分界点进行二分，这一过程实质是 “离散化”。例如对于 Taxable Income 的连续值，排序后可找到多个分界点，将其分割为不同的区间。