更新、更全的《机器学习》的更新网站,更有python、go、数据结构与算法、爬虫、人工智能教学等着你:https://www.cnblogs.com/nickchen121/p/11686958.html
决策树C4.5算法
为了解决决策树ID3算法的不足,ID3算法的作者昆兰基于它的不足改进了决策树ID3算法。但是可能会有人有疑问,既然上一个决策树算法叫做ID3算法,为什么改进版本不叫做ID4或者ID5呢?因为当时决策树过于火爆,有人二次创新把ID4、ID5都用掉了,由此作者另辟蹊径把ID3算法的改进版本称为C4算法,后来C4算法又一次升级便有了现在的C4.5算法。
一、决策树C4.5算法学习目标
- 使用C4.5算法对连续特征值离散化
- 信息增益比
- 使用C4.5算法对特征值加权
- 决策树C4.5算法步骤
- 决策树C4.5算法优缺点
二、决策树C4.5算法详解
上一次说到决策树ID3算法有4个缺点,而这次作者也是基于这4个缺点改进了算法,也就是现在的C4.5算法。
假设现有一个训练集,特征集,训练集中有个样本,每个样本有个特征,我们通过该训练集聊一聊作者对C4.5算法做了哪些改进。
2.1 连续特征值离散化
ID3算法的第一个缺点:没有考虑到连续值的情况。
假设现有一个特征的特征值为连续值,从大到小排序为,C4.5算法对相邻样本间的特征值取平均数,一共可以得到个划分点,其中第个划分点可以表示为
对于这个划分点,分别计算以该点作为二元分类点的信息增益比,选择信息增益比最大的点作为该连续特征的二元离散分类点,把改点记作,则特征值小于的点记作;特征值大于的点记作,这样就实现了连续特征值的离散化。
2.2 信息增益比
ID3算法的第二个缺点:以信息增益作为划分训练数据集的特征,存在于偏向于选择取值较多的特征的问题。
信息增益作为标准容易偏向于取值较多的特征,因此可以使用信息增益比作为划分节点的标准。信息增益比的概念已经在《熵和信息增益》一文中介绍过,这里只给出公式
由于特征越多的特征对应的特征熵越大,则信息增益比则会变小,因此可以校正信息增益容易偏向于取值较多的特征的问题。
2.3 剪枝
ID3算法的第三个缺点:没有考虑过拟合问题。
决策树一般采用剪枝的方法解决过拟合问题,剪枝的具体思路将在《CART树》一文中细讲。
2.4 特征值加权
ID3算法的第四个缺点:没有考虑特征中含有缺失值的情况。
假设某个特征有2个特征值,先设定缺失特征的样本的关于特征的特征值权重都为1,即和。假设个特征值对应的无缺失值的样本个数为和,现在把特征值重新划入样本中,在样本中的权重调节为,的权重调节为,即样本的特征的特征值为。
计算样本的特征的信息增益比的时候,及计算和的信息增益比。
三、决策树C4.5算法流程
3.1 输入
假设现有一个训练集,特征集,阈值。
3.2 输出
C4.5算法决策树。
3.3 流程
- 初始化信息增益的阈值
- 如果中的所有样本都属于同一类,则返回单节点树,标记类别为
- 如果为空集,则返回单节点树,标记类别为中样本数最大的类
- 计算中各个特征对输出的信息增益比,选择信息增益比最大的
- 如果小于阈值,则返回单节点数,标记类别为中样本数最大的类
- 如果大于阈值,则按照特征的不同取值把分割成若干个子集,每个子集生成一个子节点,子节点对应特征值为,递归调用步,得到子树并返回
四、决策树C4.5算法的优缺点
4.1 优点
- 理论清晰,方法简单
- 学习能力强
4.2 缺点
- 只能用于分类
- C4.5算法由于使用了熵的概念,即决策树的生成需要大量的熵值计算,并且如果特征值为连续值,还需要进行排序运算
- 使用模型较为复杂的多叉树结构
五、小结
决策树C4.5算法流程上和决策树ID3算法大相径庭,只是在决策树ID3算法上的某一步流程进行了优化,总而言之,它这种处理方式还是治标不治本的,并且还是无法处理回归问题。
接下来我们将要将一个改革意义的决策树,目前scikit-learn算法中以及集成学习中都使用该树作为目标决策树,即决策树CART算法。