版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
決策樹(完整)公共課第4章決策樹根據(jù)訓(xùn)練數(shù)據(jù)是否擁有標記信息學(xué)習(xí)任務(wù)決策樹(decisiontree)模型常常用來解決分類和回歸問題。常見的算法包括CART(ClassificationAndRegressionTree)、ID3、C4.5等。半監(jiān)督學(xué)習(xí):輸入數(shù)據(jù)部分被標識,部分沒有被標識,介于監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)之間。分類、回歸聚類監(jiān)督學(xué)習(xí)(supervisedlearning)無監(jiān)督學(xué)習(xí)(unsupervisedlearning)半監(jiān)督學(xué)習(xí)(semi-supervisedlearning)(reinforcementlearning)二分類學(xué)習(xí)任務(wù)屬性屬性值根結(jié)點:包含全部樣本葉結(jié)點:對應(yīng)決策結(jié)果“好瓜”“壞瓜”內(nèi)部結(jié)點:對應(yīng)屬性測試決策樹學(xué)習(xí)的目的:為了產(chǎn)生一顆泛化能力強的決策樹,即處理未見示例能力強。無需劃分無法劃分不能劃分無需劃分無法劃分不能劃分Hunt算法:1,2,3,4,5,6,8,10,151,2,3,4,56,8,151068,15815第(2)種情形:設(shè)定為該結(jié)點所含樣本最多的類別利用當前結(jié)點的后驗分布第(3)種情形:設(shè)定為其父結(jié)點所含樣本最多的類別把父結(jié)點的樣本分布作為當前結(jié)點的先驗分布決策樹學(xué)習(xí)的關(guān)鍵是算法的第8行:選擇最優(yōu)劃分屬性什么樣的劃分屬性是最優(yōu)的?我們希望決策樹的分支結(jié)點所包含的樣本盡可能屬于同一類別,即結(jié)點的“純度”越來越高,可以高效地從根結(jié)點到達葉結(jié)點,得到?jīng)Q策結(jié)果。三種度量結(jié)點“純度”的指標:信息增益增益率基尼指數(shù)1.信息增益香農(nóng)提出了“信息熵”的概念,解決了對信息的量化度量問題。香農(nóng)用“信息熵”的概念來描述信源的不確定性。信息熵對于二分類任務(wù)一個事件的信息量就是這個事件發(fā)生的概率的負對數(shù)。信息熵是跟所有事件的可能性有關(guān)的,是平均而言發(fā)生一個事件得到的信息量大小。所以信息熵其實是信息量的期望。假設(shè)我們已經(jīng)知道衡量不確定性大小的這個量已經(jīng)存在了,不妨就叫做“信息量”不會是負數(shù)不確定性函數(shù)
是概率
的單調(diào)遞減函數(shù);可加性:兩個獨立符號所產(chǎn)生的不確定性應(yīng)等于各自不確定性之和,即同時滿足這三個條件的函數(shù)
是負的對數(shù)函數(shù),即信息增益一般而言,信息增益越大,則意味著使用屬性a來進行劃分所獲得的“純度提升”越大。決策樹算法第8行選擇屬性著名的ID3決策樹算法舉例:求解劃分根結(jié)點的最優(yōu)劃分屬性根結(jié)點的信息熵:以屬性“色澤”為例計算其信息增益數(shù)據(jù)集包含17個訓(xùn)練樣例:8個正例(好瓜)占9個反例(壞瓜)占對于二分類任務(wù)用“色澤”將根結(jié)點劃分后獲得3個分支結(jié)點的信息熵分別為:屬性“色澤”的信息增益為:若把“編號”也作為一個候選劃分屬性,則屬性“編號”的信息增益為:根結(jié)點的信息熵仍為:用“編號”將根結(jié)點劃分后獲得17個分支結(jié)點的信息熵均為:則“編號”的信息增益為:遠大于其他候選屬性信息增益準則對可取值數(shù)目較多的屬性有所偏好2.增益率增益率準則對可取值數(shù)目較少的屬性有所偏好著名的C4.5決策樹算法綜合了信息增益準則和信息率準則的特點:先從候選劃分屬性中找出信息增益高于平均水平的屬性,再從中選擇增益率最高的。3.基尼指數(shù)基尼值基尼指數(shù)著名的CART決策樹算法過擬合:學(xué)習(xí)器學(xué)習(xí)能力過于強大,把訓(xùn)練樣本自身的一些特點當作了所有潛在樣本都會具有的一般性質(zhì),導(dǎo)致泛化性能下降。欠擬合:學(xué)習(xí)器學(xué)習(xí)能力低下,對訓(xùn)練樣本的一般性質(zhì)尚未學(xué)好。過擬合無法徹底避免,只能做到“緩解”。剪枝,即通過主動去掉一些分支來降低過擬合的風(fēng)險。
預(yù)剪枝決策樹的剪枝策略
后剪枝預(yù)剪枝:在決策樹生成過程中,對每個結(jié)點在劃分前先進行估計,若當前結(jié)點的劃分不能帶來決策樹泛化性能提升,則停止劃分并將當前結(jié)點標記為葉結(jié)點后剪枝:先從訓(xùn)練集生成一棵完整的決策樹,然后自底向上地對非葉結(jié)點進行考察,若將該結(jié)點對應(yīng)的子樹替換為葉結(jié)點能帶來決策樹泛化性能提升,則將該子樹替換為葉結(jié)點。留出法:將數(shù)據(jù)集D劃分為兩個互斥的集合:訓(xùn)練集S和測試集T且預(yù)剪枝1,2,3,14訓(xùn)練集:好瓜
壞瓜1,2,3,6,7,10,14,15,16,176,7,15,1710,16精度:正確分類的樣本占所有樣本的比例4,5,13(T,T,F)8,9(T,F)11,12(T,T)驗證集:4,5,8,9,11,12,13不足:基于“貪心”本質(zhì)禁止某些分支展開,帶來了欠擬合的風(fēng)險預(yù)剪枝使得決策樹的很多分支都沒有“展開”優(yōu)點:降低過擬合的風(fēng)險減少了訓(xùn)練時間開銷和測試時間開銷后剪枝先從訓(xùn)練集生成一棵完整的決策樹,然后自底向上地對非葉結(jié)點進行考察,若將該結(jié)點對應(yīng)的子樹替換為葉結(jié)點能帶來決策樹泛化性能提升,則將該子樹替換為葉結(jié)點。驗證集:4,5,8,9,11,124,13(T,F)5(F)9(F)8(F)11,12(T,T)驗證集精度:考察結(jié)點順序:⑥⑤②③①6,7,15,176,7,151767,157158,9(T,F)減去結(jié)點⑥驗證集變?yōu)椋河?xùn)練集:好瓜
壞瓜1,2,3,6,7,10,14,15,16,17后剪枝決策樹預(yù)剪枝決策樹保留了更多的分支欠擬合風(fēng)險很小泛化能力優(yōu)于預(yù)剪枝決策樹訓(xùn)練時間開銷比未減枝和預(yù)剪枝決策樹大得多生產(chǎn)完全決策樹所有非葉節(jié)點逐一考察知識回顧:四類學(xué)習(xí)任務(wù)Hunt算法3種遞歸返回情形、第8行3種度量結(jié)點“純度”的指標:信息增益 ID3增益率 C4.5基尼指數(shù) CART過擬合、欠擬合決策樹剪枝預(yù)剪枝后剪枝離散屬性:臍部根蒂色澤···連續(xù)屬性:密度含糖率···連續(xù)屬性離散化技術(shù):二分法 C4.5決策樹算法樣本集連續(xù)屬性
,有n個不同的取值,將n個取值從小到大排序:劃分點t(數(shù)值)將
劃分為兩個子集
和顯然,對相鄰的屬性取值
來說,t在區(qū)間中取任意值所產(chǎn)生的劃分結(jié)果都相同根結(jié)點的信息熵仍為:根結(jié)點包含17個訓(xùn)練樣本,密度有17個不同取值候選劃分點集合包含16個候選值每一個劃分點能得到一個對應(yīng)的信息增益選擇“紋理”作為根結(jié)點劃分屬性與離散屬性不同,若當前結(jié)點劃分屬性為連續(xù)屬性,該連續(xù)屬性還可被再次選作后代結(jié)點的最優(yōu)劃分屬性?,F(xiàn)實任務(wù)中,尤其在屬性數(shù)目較多時,存在大量樣本出現(xiàn)缺失值。出于成本和隱私的考慮屬性值缺失時,如何進行劃分屬性選擇?(如何計算信息增益)給定劃分屬性,若樣本在該屬性上的值缺失,如何對樣本進行劃分?(對于缺失屬性值的樣本如何將它從父結(jié)點劃分到子結(jié)點中)訓(xùn)練集訓(xùn)練集中在屬性a上沒有缺失值的樣本子集被屬性a劃分后的樣本子集中屬于第k類的樣本子集無缺失值樣本中在屬性 上取值 的樣本所占比例無缺失值樣本所占比例無缺失值樣本中第k類所占比例無缺失值的樣本子集
上的信息增益對于問題2:對于有缺失值的樣本如何將它從父結(jié)點劃分到子結(jié)點中若樣本
在劃分屬性a上的取值已知,則將
劃入與其取值對應(yīng)的子結(jié)點,且樣本權(quán)值在子結(jié)點中保持為若樣本
在劃分屬性a上的取值未知,則將
同時劃入所有子結(jié)點,且樣本權(quán)值在子結(jié)點中調(diào)整為
,就是讓同一個樣本以不同的概率劃入不同的子結(jié)點中。其中, 是為每個樣本 賦予的一個權(quán)重運用:問題1 屬性值缺失時,如何進行劃分屬性選擇? =屬性值缺失時,如何計算缺失屬性的信息增益?無缺失值樣本中在屬性 上取值 的樣本所占比例無缺失值樣本中第k類所占比例根結(jié)點包含樣本集 中全部17個樣本屬性“色澤”無缺失值的樣例子集包含14個樣例:好瓜(6個)壞瓜(8個)無缺失值樣本所占比例無缺失值樣本中在屬性 上取值 的樣本所占比例無缺失值樣本所占比例“紋理”被用于對根結(jié)點進行劃分問題2 給定劃分屬性,若樣本在該屬性上的值缺失,如何對樣本進行劃分?樣本劃分原則:屬性值已知,劃入與其取值對應(yīng)的子結(jié)點,樣本權(quán)值不變,仍為屬性值未知,劃入所有子結(jié)點,樣本權(quán)值調(diào)整為
,讓同一個樣本以不同的概率劃入不同的子結(jié)點中無缺失值樣本中在屬性 上取值 的樣本所占比例“紋理”屬性值缺失的樣本編號為:8,10 權(quán)值為:{8}和{10}同時進入三個分支中,權(quán)值分別為:0.3
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 注冊安全工程師考試課件安全生產(chǎn)管理
- 頂葉腫瘤的健康宣教
- JJF(陜) 065-2021 彎折試驗機校準規(guī)范
- 《解表藥發(fā)散風(fēng)熱》課件
- 《保險和證券的區(qū)別》課件
- 逃生自救的正確方法培訓(xùn)
- 倉庫清潔與維護計劃
- 特需門診服務(wù)與患者體驗的總結(jié)計劃
- 生物與技術(shù)結(jié)合的實踐探索計劃
- 展館空間設(shè)計相關(guān)項目投資計劃書范本
- 三年級上冊道德與法治第5課《走近我們的老師》教案教學(xué)設(shè)計(第一課時)
- 《管理學(xué)-原理與方法》歷年考試真題試題庫(含答案)
- 機電安全風(fēng)險辨識評估分級管控清單
- 夫妻股權(quán)轉(zhuǎn)讓合同協(xié)議書
- 2024-2025學(xué)年粵教版信息技術(shù)必修一《1.2數(shù)據(jù)編碼》教學(xué)設(shè)計
- 部編版道德與法治二年級上冊全單元教案
- 2023年度學(xué)校食堂食品從業(yè)人員考核試題(附答案)
- 媽媽課堂系列醫(yī)生講課文檔
- 新教材高中英語UNIT6NURTURINGNATURE單元復(fù)習(xí)與提升課件外研版選擇性必修第一冊
- 2024年新華社招考應(yīng)屆高校畢業(yè)生(高頻重點提升專題訓(xùn)練)共500題附帶答案詳解
- 日常消防安全巡檢記錄表
評論
0/150
提交評論