决策树知识点

1.常见的一些决策树

2.决策树树得构建流程

（1）.首先构建根节点，将所有训练数据都放在根节点；

（2）.选择一个最优特征，按照这一特征将训练集分割成子集，使得各个子集在当前条件下有一个最好的分类；

（3）.如果子集非空，或者子集数量不小于最小数量，递归（1）（2）两步，直到所有子集都被正确分类或者没有合适的特征为止。

3.信息熵的计算方法

其中，D为数据全集，C为不同因变量类别k上的子集(传统意义上的y的类别)

4.信息增益计算方法

信息增益由两部分组成：1）信息熵；2）条件信息熵。

条件信息熵：在特征A给定条件下数据集D分类的不确定性，用公式表示如下：

信息增益：知道特征A的信息而使得数据集D的不确定减少的程度：I(D,A) = H(D)-H(D/A)

也就是说：在特征A下找到最合适的切分，使得在该切分下信息量的变化最大，也就更加稳定；但是这个有一个问题，对于类别天生较多的特征，模型更容易选中，因为特征类别较多，切分后的信息增益天生更大，更容易满足我们的原始假设。

5. 信息增益率计算方法  

在信息增益计算的基础不变的情况下增加了惩罚项:

该惩罚项就是用划分的子集数上的熵来平衡了分类数过多的问题。

信息增益率的的计算公式如下：

6.Gini系数

与熵一样，Gini基尼系数表征的也是事件的不确定性。

Gini系数二分情况下：

对于决策树样本D计算Gini系数：

 7.ID3的不足之处 

•  存在偏向于选择取值较多的特征问题
• 不支持处理连续值
• 不支持处理缺省值
• 无法剪枝

 8.C4.5相对于ID3的改进点

•  主动进行连续特征离散化

1. 比如m个样本的连续特征A有m个，先set在order，再两两组合求中间值，以该值点作为划分的待选点
2. 连续特征可以再后序特征划分中仍可继续参与计算

• 缺失问题优化

1. 训练：用所有未缺失的样本，和之前一样，计算每个属性的信息增益，但是这里的信息增益需要乘以一个系数（未缺失样本/总样本）
2. 预测：直接跳过该节点，并将此样本划入所有子节点，划分后乘以系数计算，系数为不缺失部分的样本分布

• 采用预剪枝

9.CART对连续特征处理的改进点

• 分类情况下的变量特征选择

1. 离散变量：二分划分
2. 连续变量：和C4.5处理方法一致，如果当前节点为连续属性，则该属性后面依旧可以参与子节点的产生选择过程

• 回归情况下

连续变量不再采用中间值划分，而是采用最小方差法

10.CART分类树建立算法的具体流程

算法从根节点开始，用训练集递归的建立CART树。

• 对于当前节点的数据集为D，如果样本个数小于阈值或者没有特征，则返回决策子树，当前节点停止递归
• 计算当前节点样本集D的基尼系数，如果基尼系数小于阈值，则返回决策树子树，当前节点停止递归
• 计算当前节点现有的各个特征的各个特征值对数据集D的基尼系数
• 在计算出来的各个特征的各个特征值对数据集D的基尼系数中，选择基尼系数最小的特征A和对应的特征值a。根据这个最优特征和最优特征值，把数据集划分成两部分D1和D2，同时建立当前节点的左右节点，左节点的数据集D为D1，右节点的数据集D为D2
• 递归1～4

11.CART回归树建立算法的具体流程

构建的过程也是一样的，不同点在于在构建过程中遇到连续值的话，并不是利用C4.5中的中间值基尼系数的方式，而是采取了最小方差方法：

对于任意划分特征A，对应的任意划分点s两边划分成的数据集D1和D2，求出使D1和D2各自集合的均方差最小，同时D1和D2的均方差之和最小所对应的特征和特征值划分点，其中c1为D1的均值，c2为D2的均值：

12.CART在分类和回归中输出的逻辑

• 回归树：利用最终叶子的均值或者中位数来作为输出结果
• 分类树：利用最终叶子的大概率的分类类别来作为输出结果

13.树形结构为何不需要归一化处理？

无论是分类树还是回归树，又或者是离散值或者连续值，树形结构每次都是找最优切分点划分的，不存在梯度导数等计算，数值缩放也不影响分裂点位置，对树模型的结构不造成影响，故不需要进行归一化。

14.决策树的优缺点

优点：

• 对特征的宽容程度高，可缺失可连续可离散
• 可解释性强
• 算法对数据没有强假设
• 可以解决线性及非线性问题
• 有特征选择等辅助功能

缺点：

• 处理关联性数据比较薄弱
• 对于各类别样本数量不一致的数据, 信息增益偏向于那些更多数值的特征
• 单棵树的拟合效果欠佳，容易过拟合

最后

以上就是霸气哈密瓜为你收集整理的决策树知识点的全部内容，希望文章能够帮你解决决策树知识点所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。