文章目录- I . 决策树 树根属性 选择
- II . 信息增益 示例说明
- III . 信息增益 计算步骤
- IV . 信息增益 计算使用的数据集 S
- V . 信息增益 计算公式 已知条件
- VI . 信息增益 总熵 计算公式
- VII . 信息增益 每个属性的熵 计算公式
- VIII . 信息增益 计算公式
- IX . 信息增益计算 案例
- X . 信息增益计算 递归确定 划分属性
I . 决策树 树根属性 选择
1 . 属性选择方法 : 树根属性选择的方法很多 , 这里介绍一种常用的方法 , 信息增益 ;
2 . 信息增益 : 信息增益 效果越大 , 其作为树根属性 , 划分的数据集分类效果越明显 ;
3 . 信息 和 熵 : 涉及 信息论 的知识点 , 建议有空就去 B站 刷一下信息论课程 ;
① 信息 与 熵 的关系 : 信息 会 消除 熵 , 熵 代表了不确定性 , 信息用来消除不确定性 ;
② 信息增益 : 信息增益大的属性 , 能最大消除熵的不确定性 ;
4 . 决策树中的信息增益 : 属性的 信息增益 越大 , 就越能将分类效果达到最大 ;
如 : 想要从用户数据集中找到是否能买奢侈品的用户 , 先把高收入群体划分出来 , 将低收入者从数据集中去除 , 这个收入水平的属性 ( 特征 ) , 信息增益就很大 ;
II . 信息增益 示例说明
1 . 熵 和 信息 的数据组成 :
① 数据集 ( 熵 ) : 给定一个总的数据集如 100 个用户数据 , 要从里面选择购买奢侈品的 1 个用户 ( 高收入 , 30 岁以下 ) ;
② 年龄属性 ( 信息 ) : 30 岁以上的 50 个 , 30 岁以下的 50 个 ;
③ 收入属性 ( 信息 ) : 高收入 10 个 , 低收入 90 个 ;
2 . 信息增益分析 :
① 收入属性的信息增益 : 熵是 100 个用户数据 , 代表不确定性 ; 根据收入属性来划分 , 将高收入者 10 个用户划分出来 , 买奢侈品的用户从这 10 个中选择 ; 由 100 个用户中选 1 个用户 , 变为 10 个用户中选择 1 个用户 ; 消除了 90 个用户的不确定性 ;
② 年龄属性的信息增益 : 熵是 100 个用户数据 , 代表不确定性 ; 根据收入属性来划分 , 将30 岁以下的 50 个用户划分出来 , 买奢侈品的用户从这 50 个中选择 ; 由 100 个用户中选 1 个用户 , 变为 50 个用户中选择 1 个用户 ; 消除了 50 个用户的不确定性 ;
③ 信息增益分析 : 明显 收入属性 的信息增益要高于 年龄属性 的信息增益 ;
III . 信息增益 计算步骤
信息增益计算步骤 :
1 . 总熵 : 不考虑 输入变量 ( 属性 / 特征 ) , 为数据集 S 中的某个数据样本进行分类 , 计算出该过程的熵 ( 不确定性 ) , 用 Entropy(S) 表示 ;
2 . 引入属性后的熵 : 使用 输入变量 ( 属性 / 特征 ) X 后 , 为数据集 S 中的某个数据样本进行分类 , 计算出该过程的熵 ( 不确定性 ) , 用 Entropy(X , S) 表示 ;
3 . 信息增益 : 上面 Entropy(X , S) - Entropy(S) 的差 , 就是 X 属性 ( 特征 ) 带来的信息增益 , 用 Gain(X , S) 表示 ;
IV . 信息增益 计算使用的数据集 S
数据集 : 根据 年龄 , 收入水平 , 是否是学生 , 信用等级 , 预测该用户是否会购买商品 ;
① 是否会购买商品 : 9 个 会购买 , 5 个不会购买 ;
② 年龄 ( 属性 ) :
5 个小于 30 岁的人中 , 3 个不会买电脑 , 有 2 个会买商品 ;
4 个 31 ~ 39 岁的人中 , 0 个不会买电脑 , 有 4 个会买商品 ;
5 个 大于 40 岁的人中 , 2 个不会买电脑 , 有 3 个会买商品 ;
年龄 | 收入水平 | 是否是学生 | 信用等级 | 是否购买商品 |
---|---|---|---|---|
小于 30 岁 | 高收入 | 不是 | 一般 | 不会 |
小于 30 岁 | 高收入 | 不是 | 很好 | 不会 |
31 ~ 39 岁 | 高收入 | 不是 | 一般 | 会 |
40 岁以上 | 中等收入 | 不是 | 一般 | 会 |
40 岁以上 | 低收入 | 是 | 一般 | 会 |
40 岁以上 | 低收入 | 是 | 很好 | 不会 |
31 ~ 40 岁 | 低收入 | 不是 | 很好 | 会 |
小于 30 岁 | 中等收入 | 不是 | 一般 | 不会 |
小于 30 岁 | 低收入 | 是 | 一般 | 会 |
40 岁以上 | 中等收入 | 是 | 一般 | 会 |
小于 30 岁 | 中等收入 | 是 | 很好 | 会 |
31 ~ 39 岁 | 中等收入 | 不是 | 很好 | 会 |
31 ~ 39 岁 | 高收入 | 是 | 一般 | 会 |
40 岁以上 | 中等收入 | 不是 | 很好 | 不会 |
V . 信息增益 计算公式 已知条件
1 . 已知条件 ( 变量声明 ) : 声明一些计算公式中使用的变量 ;
① 总的数据集 :
② 最终分类个数 :
, 最终分成
个类别 , 如 是否购买商品 ( 是 , 否 ) , 就是分成
类 ,
;
③ 分类表示 :
, 如 : 是否购买商品 ( 是 , 否 ) ,
表示 是 ,
表示 否 ;
④ 分类样本个数 :
, 如 : 是否购买商品 , 会购买的 (
) 的样本个数是 9 人 , 表示为
;
VI . 信息增益 总熵 计算公式
1 . 计算总熵公式 :
2 . 公式解析 :
① 加和式 : 这是一个
到
的加和式 ;
② 比值权重 :
表示第
个样本数 (
) 与 总样本数 (
) 比值 ;
3 . 计算示例 :
① 需求 : 判定 14 个用户是否会购买某商品 , 9 个会购买 , 5 个不购买 ;
② 计算过程 :
VII . 信息增益 每个属性的熵 计算公式
1 . 计算熵的属性 : 属性
的值为
;
2 . 引入 属性 ( 特征 ) A 后 的熵计算公式 :
3 . 公式解析 :
① 剩余的熵 : 引入属性
后 , 属性
是信息 , 信息会消除熵 , 这里计算消除后剩余的熵是多少 ;
② 属性解析 : 这是一个
到
的加和式 ,
表示
属性的取值个数 , 如 :
表示年龄 , 有 : 30岁以下(
) 有 5 个样本 , 31 ~ 39 岁 (
) 有 4 个样本 , 40 岁以上(
) 有 5 个样本 ,
;
③ 系数说明 : 其中
系数 表示 , 属性 A ( 年龄特征 ) 的第
个版本的比例 , 这个比例越高 , 样本对多 , 越重要 ;
4 . 属性的熵 计算示例 :
5 . 计算过程解析 :
①
在 5 个 小于 30 岁的人中 , 有 2 个会买商品 , 3 个不会买商品 ;
②
在 4 个 31 ~ 39 岁的人中 , 有 4 个会买商品 , 0 个不会买商品 ;
③
在 5 个 大于 40 岁的人中 , 有 3 个会买商品 , 2 个不会买商品 ;
VIII . 信息增益 计算公式
计算
属性的信息增益 :
IX . 信息增益计算 案例
1 . 已知数据 :
① 数据集 : 计算 上述数据集
的信息增益 , 该数据集
有 14 个样本数据 ;
② 数据集属性 : 数据集
有
个属性 , 年龄 , 收入 , 是否是学生 , 信用等级 , 是否购买商品 ;
③ 预测属性 : 根据 年龄 , 收入 , 是否是学生 , 信用等级
个属性 , 预测 是否购买商品 这个属性 ;
2 . 总熵计算 :
① 总熵 : 计算每个属性的信息增益 , 先要使用
公式计算出总熵 ;
① 预测属性分析 : 最后预测的属性是 是否购买电脑 , 有两个取值 , 是 或 否 ,
个取值 , 计算总熵时 , 需要计算两项 , 分别计算 取值 会买电脑 和 不会买电脑的 熵 ;
③ 属性的具体分类 : 判定 14 个用户是否会购买某商品 , 9 个会购买 , 5 个不购买 ;
④ 计算过程 :
3 . 计算 年龄 属性的熵 :
① 引入属性 : 引入 年龄 属性 后 , 年龄 属性 是信息 , 信息会消除熵 , 这里计算引入 年龄 属性 之后的熵是多少 ;
② 年龄属性分析 : 年龄属性有 3 种取值 : 30岁以下有 5 个样本 , 31 ~ 39 岁有 4 个样本 , 40 岁以上有 5 个样本 ;
③ 计算内容 :
需要分别计算 3 种取值的熵各是多少 ,
30岁以下有 5 个样本 , 需要计算这 5 个样本的熵是多少 , 5 个样本 , 有 3 个人买商品 , 2 个人不买商品 ,
④ 计算示例 :
在 5 个 小于 30 岁的人中 , 有 2 个会买商品 , 3 个不会买商品 ;
在 4 个 31 ~ 39 岁的人中 , 有 4 个会买商品 , 0 个不会买商品 ;
在 5 个 大于 40 岁的人中 , 有 3 个会买商品 , 2 个不会买商品 ;
4 . 计算每个 属性 不同样本取值的熵 :
① 计算
: 5 个人 , 有 2 个人买商品 , 3 个人没有买商品 ;
② 计算
: 4 个人 , 有 4 个人买商品 , 0 个人没有买商品 ;
③ 计算
: 5 个人 , 有 3 个人买商品 , 2 个人没有买商品 ;
5 . 计算年龄属性的信息增益 :
6 . 依次计算 各个属性的 熵 :
① 年龄 属性的信息增益 :
② 收入 属性的信息增益 :
③ 是否是学生 属性的信息增益 :
④ 信用等级 属性的信息增益 :
⑤ 树根 属性选择: 年龄属性的 信息增益 最大 , 选择年龄属性作为树根 ;
7 . 后续工作 ( 重要 ) : 选择完树根后 , 树根属性将数据分为不同的子集 , 每个子集再计算剩余的 3 个属性 , 哪个属性的信息增益最大 , 就选那个属性作为子树的树根属性 ;
X . 信息增益计算 递归确定 划分属性
1 . 计算公式使用 : 根据上述公式 , 计算出每个属性的信息增益 , 递归选取信息增益最大的作为树根 ;
2 . 决策树创建算法 ( 递归 ) : 使用递归算法 , 递归算法分为递归操作 和 递归停止条件 ;
3 . 递归操作 : 每个步骤先选择属性 , 选择好属性后 , 根据 总树 ( 子树 ) 的树根属性划分训练集 ;
① 选择属性 : 递归由上到下决定每一个节点的属性 , 依次递归构造决策树 ;
② 数据集划分 : 开始决策时 , 所有的数据都在树根 , 由树根属性来划分数据集 ;
③ 属性离散化 : 如果属性的值是连续值 , 需要将连续属性值离散化 ; 如 : 100 分满分 , 将 60 分以下分为不及格数据 , 60 分以上分为及格数据 ;
4 . 递归停止的条件 :
① 子树分类完成 : 节点上的子数据集都属于同一个类别 , 该节点就不再向下划分 , 称为叶子节点 ;
② 属性 ( 节点 ) 全部分配完毕 : 所有的属性都已经分配完毕 , 决策树的高度等于属性个数 ;
③ 所有样本分类完毕 : 所有的样本数据集都分类完成 ;
5 . 下图是最终的决策树样式 :