3第三章决策树

1决策树(DecisionTree)2019/8/2921、分类的意义数据库了解类别属性与特征预测分类模型—决策树分类模型—聚类一、分类(Classification)2019/8/293数据库分类标记性别年龄婚姻否是否是FemaleMale35≧35未婚已婚2019/8/292、分类的技术（1）决策树4（2）聚类2019/8/293、分类的程序5模型建立(ModelBuilding)模型评估(ModelEvaluation)使用模型(UseModel)2019/8/29决策树分类的步骤6数据库2019/8/29训练样本(trainingsamples)建立模型测试样本(testingsamples)评估模型例：7资料训练样本婚姻年龄家庭所得否是否是未婚已婚35≧35低高否小康1.建立模型测试样本2.模型评估错误率为66.67%修改模型3.使用模型2019/8/294、分类算法的评估8预测的准确度：指模型正确地预测新的或先前未见过的数据的类标号的能力。训练测试法(training-and-testing)交叉验证法(cross-validation)例如，十折交叉验证。即是将数据集分成十分，轮流将其中9份做训练1份做测试，10次的结果的均值作为对算法精度的估计，一般还需要进行多次10倍交叉验证求均值，例如10次10倍交叉验证，更精确一点。2019/8/292019/8/299速度：指产生和使用模型的计算花费。建模的速度、预测的速度强壮性：指给定噪声数据或具有缺失值的数据，模型正确预测的能力。可诠释性：指模型的解释能力。102019/8/29决策树归纳的基本算法是贪心算法，它以自顶向下递归各个击破的方式构造决策树。贪心算法：在每一步选择中都采取在当前状态下最好/优的选择。在其生成过程中，分割方法即属性选择度量是关键。通过属性选择度量，选择出最好的将样本分类的属性。根据分割方法的不同，决策树可以分为两类：基于信息论的方法（较有代表性的是ID3、C4.5算法等）和最小GINI指标方法（常用的有CART、SLIQ及SPRINT算法等）。二、决策树(DecisionTree)（一）决策树的结构11根部节点(rootnode)中间节点(non-leafnode)(代表测试的条件)分支(branches)(代表测试的结果)叶节点(leafnode)(代表分类后所获得的分类标记)2019/8/292019/8/2912（二）决策树的形成例：13根部节点中间节点停止分支？2019/8/29（三）ID3算法(C4.5,C5.0)142019/8/29Quinlan(1979)提出，以Shannon(1949)的信息论为依据。ID3算法的属性选择度量就是使用信息增益，选择最高信息增益的属性作为当前节点的测试属性。信息论：若一事件有k种结果，对应的概率为Pi。则此事件发生后所得到的信息量I(视为Entropy)为：I=-(p1*log2(p1)+p2*log2(p2)+…+pk*log2(pk))Example1：设k=4p1=0.25,p2=0.25,p3=0.25,p4=0.25I=-(.25*log2(.25)*4)=2Example2：设k=4p1=0,p2=0.5,p3=0,p4=0.5I=-(.5*log2(.5)*2)=1Example3：设k=4p1=1,p2=0,p3=0,p4=0I=-(1*log2(1))=02019/8/29152019/8/2916信息增益17Example(Gain)n=16n1=4I(16,4)=－((4/16)*log2(4/16)+(12/16)*log2(12/16))=0.8113E(年龄)=(6/16)*I(6,1)+(10/16)*I(10,3)=0.7946Gain(年龄)=I(16,4)-E(年龄)=0.0167Gain(年龄)=0.0167Max:作为第一个分类依据2019/8/29Gain(性别)=0.0972Gain(家庭所得)=0.0177Example(续)18Gain(家庭所得)=0.688I(7,3)=-((3/7)*log2(3/7)+(4/7)*log2(4/7))=0.9852Gain(年龄)=0.9852Gain(年龄)=0.2222I(9,1)=-((1/9)*log2(1/9)+(8/9)*log2(8/9))=0.5032Gain(家庭所得)=0.50322019/8/29Example(end)ID3算法19分类规则：IF性别=FemaleAND家庭所得=低所得THEN购买RV房车=否IF性别=FemaleAND家庭所得=小康THEN购买RV房车=否IF性别=FemaleAND家庭所得=高所得THEN购买RV房车=是IF性别=MaleAND年龄35THEN购买RV房车=否IF性别=MaleAND年龄≧35THEN购买RV房车=是资料DecisionTree2019/8/29（四）DecisionTree的建立过程201、决策树的停止决策树是通过递归分割(recursivepartitioning)建立而成，递归分割是一种把数据分割成不同小的部分的迭代过程。如果有以下情况发生，决策树将停止分割：该群数据的每一笔数据都已经归类到同一类别。该群数据已经没有办法再找到新的属性来进行节点分割。该群数据已经没有任何尚未处理的数据。2019/8/292、决策树的剪枝(pruning)21决策树学习可能遭遇模型过度拟合（overfitting）的问题，过度拟合是指模型过度训练，导致模型记住的不是训练集的一般性，反而是训练集的局部特性。如何处理过度拟合呢？对决策树进行修剪。树的修剪有几种解决的方法，主要为先剪枝和后剪枝方法。2019/8/29（1）先剪枝方法22在先剪枝方法中，通过提前停止树的构造（例如，通过决定在给定的节点上不再分裂或划分训练样本的子集）而对树“剪枝”。一旦停止，节点成为树叶。确定阀值法：在构造树时，可将信息增益用于评估岔的优良性。如果在一个节点划分样本将导致低于预定义阀值的分裂，则给定子集的进一步划分将停止。测试组修剪法：在使用训练组样本产生新的分岔时，就立刻使用测试组样本去测试这个分岔规则是否能够再现，如果不能，就被视作过度拟合而被修剪掉，如果能够再现，则该分岔予以保留而继续向下分岔。2019/8/29（2）后剪枝方法23后剪枝方法是由“完全生长”的树剪去分枝。通过删除节点的分枝，剪掉叶节点。案例数修剪是在产生完全生长的树后，根据最小案例数阀值，将案例数小于阀值的树节点剪掉。成本复杂性修剪法是当决策树成长完成后，演算法计算所有叶节点的总和错误率，然后计算去除某一叶节点后的总和错误率，当去除该叶节点的错误率降低或者不变时，则剪掉该节点。反之，保留。2019/8/29应用案例：在农业中的应用2019/8/2924第一步：属性离散化2019/8/2925第二步：概化（泛化）2019/8/2926第三步：计算各属性的期望信息2019/8/2927=(17/30)*LOG((17/30),2)+(10/30)*LOG((10/30),2)+(3/30)*LOG((3/30),2)计算各属性的信息增益2019/8/2928第四步：决策树2019/8/2929案例2：银行违约率2019/8/29302019/8/2931案例3对电信客户的流失率分析2019/8/2932数据仓库条件属性类别属性客户是否流失案例4：在银行中的应用2019/8/2933案例5：个人信用评级2019/8/2934个人信用评级决策树（五）其他算法35C4.5与C5.0算法GiniIndex算法CART算法PRISM算法CHAID算法2019/8/291、C4.5与C5.0算法36C5.0算法则是C4.5算法的修订版，适用在处理大数据集，采用Boosting（提升）方式提高模型准确率，又称为BoostingTrees，在软件上的计算速度比较快，占用的内存资源较少。2019/8/29类别属性的信息熵2、GiniIndex算法37ID3andPRISM适用于类别属性的分类方法。GiniIndex能数值型属性的变量来做分类。着重解决当训练集数据量巨大，无法全部放人内存时，如何高速准确地生成更快的，更小的决策树。2019/8/29集合T包含N个类别的记录，那么其Gini指标就是如果集合T分成两部分N1和N2。则此分割的Gini就是提供最小Ginisplit就被选择作为分割的标准(对于每个属性都要经过所有可以的分割方法)。GiniIndex算法382()11jNginiTpjpjj为类別出现的频率)()()(2211TginiNNTginiNNTginisplit2019/8/29案例：在汽车销售中的应用2019/8/29392019/8/29402019/8/2941NNYYYNYYYNNN3、CART算法42由Friedman等人提出，1980年以来就开始发展，是基于树结构产生分类和回归模型的过程，是一种产生二元树的技术。CART与C4.5/C5.0算法的最大的区别是：其在每一个节点上都是采用二分法，也就是一次只能够有两个子节点，C4.5/5.0则在每一个节点上可以产生不同数量的分枝。2019/8/292019/8/2943构建树的步骤：2019/8/29442019/8/2945