ID3\C4.5\CART

目录

• 树模型原理
  • ID3
  • C4.5
  • CART
    • 分类树
    • 回归树
• 树创建
  • ID3、C4.5 多叉树
  • CART分类树（二叉）
  • CART回归树

	ID3	C4.5	CART
特征选择	信息增益	信息增益比	基尼不纯度
连续值处理	只能处理离散值	二分	二分
树形式	多叉	多叉	二叉树
剪枝	无	有	有
适用问题	分类	分类	分类/回归

• 关于特征选择方式与熵？

  熵反映了信息量大小（混乱程度），熵越大信息量越大。我们的目标是熵减少方向

树模型原理

ID3

（1）计算数据集D 的经验熵 H(D)

\[H(D)=-\sum_{k=1}^{K} \frac{\left|C_{k}\right|}{|D|} \log _{2} \frac{\left|C_{k}\right|}{|D|}
\]

​ \(K\) 表示数据类别，\(C_k\) 表示第 \(k\) 类样本的个数

（2）计算特征 A 对数据集 D 的经验条件熵 \(H(D | A)\)

\[H(D | A)=\sum_{i=1}^{n} \frac{\left|D_{i}\right|}{|D|} H\left(D_{i}\right)=-\sum_{i=1}^{n} \frac{\left|D_{i}\right|}{D |} \sum_{k=1}^{K} \frac{\left|D_{k}\right|}{\left|D_{i}\right|} \log _{2} \frac{\left|D_{k}\right|}{\left|D_{i}\right|}
\]

​ \(D_i\) 表示根据特征 \(A\) 划分后的数据子集

（3）计算信息增益

\[g(D, A)=H(D)-H(D | A)
\]

C4.5

信息增益比

\[\begin{array}{c}
H_A(D)=-\sum_{j=1}^{n} \frac{N\left(D_{j}\right)}{N(D)} \log \left(\frac{N\left(D_{j}\right)}{N(D)}\right) \\
g_r(D,A)=\frac{g(D,A)}{H_A(D)}
\end{array}
\]

其中 n表示特征 A取值的个数

CART

分类树

基尼不纯度（gini impurity）

\[gini(p) = \sum_{i=1}^Kp_k(1-p_k)=1-\sum_{i=1}^Kp_k^2
\]

\(p_k\) 表示两个第 k类样本的数量比。

基尼不纯度的\((1-p_k)\) 相当于信息熵中log项的泰勒展开

根据特征 A的取值a划分两个子集（二叉）

\[gini(D) = 1-\sum^K_{i=1}(\frac{|C_k|}{|D|})^2 \\
gini(D,A) = \frac{|D_1|}{|D|}gini(D_1)+\frac{|D_2|}{|D|}gini(D_2)\\
D_1 = \{(x,y)\in D | A(x)=a\},D_2 = D-D-1
\]

回归树

• 回归树如何选择节点分裂方式？

  使用平方误差 \(\sum(y_i - f(x_i))^2\)

• 树模型怎么得到平方误差呢？

  根据叶子节点值作为作为输出。将输入空间划分为多个单元，每个单元有一个固定输出值（对应输入空间输出值的平均）

• 具体怎么划分？

  类似分类树，根据划分前后的误差选取。选取切分变量和切分点（特征及特征取值）

回归树构建流程：

1. 选择切分变量j和切分点s，划分子区域：

   \[R_1(j,s) = \{x|x^{(j)} \leq s\},\quad R_2(j,s) = \{x|x^{(j)} > s\}
   \]

2. 计算对应特征与特征值下的误差：

   \[\sum_{x_i\in R_1(j,s)}(y_i-c_1)^2 + \sum_{x_i\in R_2(j,s)}(y_i-c_2)^2
   \]

   其中 \(c_1 = ave(y_i|x_i\in R_1(j,s))\)

   1. 遍历，寻找最优切分变量j和最优切分点s（使平方误差最小）

   2. 根据选定的(j,s)划分区域：

   \[R_1,R_2,c_m = \frac{1}{N_m}\sum_{x_i\in R_m(j,s)}y_i ,m\in \{1,2\}
   \]

树创建

ID3、C4.5 多叉树

CART分类树（二叉）

CART回归树

不同树的基本创建过程只有两点不同：

• 划分节点的评价方式
• 子集的划分

references:

[1] 统计学习方法

[2] 机器学习实战