1、介绍
① 定义
分类决策树通过树形结构来模拟决策过程，决策树由结点和有向边组成。结点有两种类型：内部结
点和叶结点。内部结点表示一个特征或属性，叶子节点表示一个类。
② 生成过程
用决策树分类，从根结点开始，对样本的某一特征进行测试，根据测试结果，将样本分配到其他子
结点；这时，每一个子结点对应着该特征的一个取值，如此递归地对样本进行分配，直至达到叶结
点。最后将实例分到叶结点的类中。
③ 示意图
2、特征选择–信息增益或信息增益比
（1）信息增益
① 熵的定义
信息增益是由熵构建而成，熵起源于热力学，后来由香农引用到信息论中，表示的是「随机变量的
不确定性」，不确定性越大，代表着熵越大。
由于熵和随机变量的分布有关，所以我们就可以写成：
那么什么时候的熵最大呢？ 结论是：随机变量的取值等概率分布时，相应的熵最大。
② 信息增益算法
可以看出，信息增益就是经验熵和经验条件熵的差值，他代表的是指：得知特征A而使类 Y的信息
的不确定性减少的程度。
后者越小，说明对应的不确定性最小，意味着如果选择特征 A 为最优特征时，对于分的类是最为
确定的，对应的就希望这个信息增益是最大的。
③ 例题：对于上述表所给的训练数据集，根据信息增益准则选择最优特征。
④ 缺点：如果不同特征内的分类个数不同，那么取值个数较多的特征计算出的信息增益会更大。因此，信息增益会更倾向于取值较多的特征。
（2）信息增益比
使用信息增益来作为划分训练数据集的特征，存在偏向于选择取值较多的特征的问题。使用信息增
益比可以对这一问题进行校正，这是特征选择的另一准则。
原文地址:https://blog.csdn.net/bb8886/article/details/135390071
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_52274.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
