決策樹模型詳解演示文稿

決策樹模型詳解演示文稿當前第1頁\共有50頁\編于星期四\20點（優(yōu)選）決策樹模型當前第2頁\共有50頁\編于星期四\20點分類的技術監(jiān)督式(supervisedlearning)的機器學習法------決策樹(DecisionTree)數(shù)據(jù)庫分類標記性別年齡婚姻否是否是FemaleMale<35≧35未婚已婚當前第3頁\共有50頁\編于星期四\20點分類的過程1.模型建立(ModelBuilding)2.模型評估(ModelEvaluation)3.使用模型(UseModel)性別年齡婚姻否是否是FemaleMale<35≧35未婚已婚分類規(guī)則IF性別=FemaleAND年齡<35THEN購買RV房車=否IF性別=FemaleAND年齡≧35THEN購買RV房車=是IF性別=MaleAND婚姻=未婚THEN購買RV房車=否IF性別=MaleAND婚姻=已婚THEN購買RV房車=是數(shù)據(jù)庫訓練樣本(trainingsamples)建立模型測試樣本(testingsamples)評估模型當前第4頁\共有50頁\編于星期四\20點資料Example訓練樣本婚姻年齡家庭

所得否是否是未婚已婚<35≧35低高否小康1.建立模型測試樣本2.模型評估X錯誤率為66.67%修改模型3.使用模型當前第5頁\共有50頁\編于星期四\20點

決策樹(DecisionTree)介紹根部節(jié)點(rootnode)中間節(jié)點(non-leafnode)(代表測試的條件)分支(branches)(代表測試的結(jié)果)葉節(jié)點(leafnode)(代表分類后所獲得的分類標記)當前第6頁\共有50頁\編于星期四\20點決策樹的形成根部節(jié)點中間節(jié)點停止分支？當前第7頁\共有50頁\編于星期四\20點7.1信息論原理7.2決策樹方法當前第8頁\共有50頁\編于星期四\20點7.1信息論原理信息論是為解決信息傳遞（通信）過程問題而建立的理論，也稱為統(tǒng)計通信理論。1.信道模型一個傳遞信息的系統(tǒng)是由發(fā)送端（信源）和接收端（信宿）以及連接兩者的通道（信道）三者組成。信道u1,u2….ur信源Uv1,v2….vrP(V|U)信宿V當前第9頁\共有50頁\編于星期四\20點在進行實際的通信之前，收信者（信宿）不可能確切了解信源究竟會發(fā)出什么樣的具體信息，不可能判斷信源會處于什么樣的狀態(tài)。這種情形就稱為信宿對于信源狀態(tài)具有不確定性。而且這種不確定性是存在于通信之前的。因而又叫做先驗不確定性，表示成信息熵H（U）當前第10頁\共有50頁\編于星期四\20點在進行了通信之后，信宿收到了信源發(fā)來的信息，這種先驗不確定性才會被消除或者被減少。如果干擾很小，不會對傳遞的信息產(chǎn)生任何可察覺的影響，信源發(fā)出的信息能夠被信宿全部收到，在這種情況下，信宿的先驗不確定性就會被完全消除。當前第11頁\共有50頁\編于星期四\20點在一般情況下，干擾總會對信源發(fā)出的信息造成某種破壞，使信宿收到的信息不完全。先驗不確定性不能全部被消除，只能部分地消除。通信結(jié)束之后，信宿仍然具有一定程度的不確定性。這就是后驗不確定性，用條件熵表示H（U/V）。后驗不確定性總要小于先驗不確定性:H（U/V）<H（U）當前第12頁\共有50頁\編于星期四\20點如果后驗不確定性的大小正好等于先驗不確定性的大小，這就表示信宿根本沒有收到信息。如果后驗不確定性的大小等于零，這就表示信宿收到了全部信息。可見，信息是用來消除（隨機）不確定性的度量。信息量用互信息來表示，即：I（U，V）＝H（U）－H（U/V）當前第13頁\共有50頁\編于星期四\20點互信息的計算1．定義（1）設S為訓練集，有n個特征（屬性），表示為（A1，A2，...，，An）。｜S｜表示例子總數(shù)。（2）S中有U1，U2兩類。｜Ui｜表示Ui類例子數(shù)。（3）特征Ak處有m個取值，分別為（V1，V2，...，，Vm）。2．Ui類出現(xiàn)概率為:

P（Ui）=｜Ui｜/｜S｜ （3.1）自然有

當前第14頁\共有50頁\編于星期四\20點3．Ui類中在特征Ak處取值Vj的例子集合Vij的條件概率為:

P（Vj｜Ui）=｜Vij｜/｜Ui｜ （3.2）自然有 4．在特征Ak處，取Vj值的例子集合的概率為:

P（Vj）=｜Vj｜/｜S｜ （3.3）自然有 當前第15頁\共有50頁\編于星期四\20點5．在特征Ak處取Vj值的例子，屬于Ui類的例子集合Uij的條件概率為:

P（Ui｜Vj）=｜Uij｜/｜Vj｜ （3.4）

自然有

當前第16頁\共有50頁\編于星期四\20點6．信息熵（1）消息傳遞系統(tǒng)由消息的發(fā)送端（信源）和接收端（信宿）以及連接兩者的通道（信道）三者組成。（2）消息（符號）Ui（i=1，2，...，q）的發(fā)生概率P（Ui）組成信源數(shù)學模型（樣本空間或概率空間）

（3.5）當前第17頁\共有50頁\編于星期四\20點（3）自信息:消息Ui發(fā)生后所含有的信息量。它反映了消息Ui發(fā)生前的不確定性（隨機性）。定義為：以2為底，所得的信息量單位為bit。以e為底，所得的信息量單位為nat.（4）信息熵:自信息的數(shù)學期望。即信源輸出后，每個消息所提供的信息量，也反映了信源輸出前的平均確定性。定義為:（3.6）（3.7）當前第18頁\共有50頁\編于星期四\20點例如:兩個信源，其概率空間分別為:

則信息熵分別為:H（X）=-0.99log0.99-0.01log0.01=0.08bitH（Y）=-0.5log0.5-0.5log0.5=1bit

可見 H（Y）>H（X）故信源Y比信源X的平均不確定性要大。當前第19頁\共有50頁\編于星期四\20點

信息熵H（U）是信源輸出前的平均不確定性，也稱先驗熵。

H（U）的性質(zhì):

（1）H（U）=0時，說明只存在著唯一的可能性，不存在不確定性。

（2）如果n種可能的發(fā)生都有相同的概率，即所有的Ui有P（Ui）=1/n，H（U）達到最大值logn，系統(tǒng)的不確定性最大。

P（Ui）互相接近，H（U）就大。P（Ui）相差大，則H（U）就小。

當前第20頁\共有50頁\編于星期四\20點7．互信息(1)后驗熵和條件熵當沒有接收到輸出符號V時，已知輸入符號U的概率分布為P（U），而當接收到輸出符號V=Vj

后，輸入符號的概率分布發(fā)生了變化,變成后驗概率分布P（U|Vj）。其后驗熵為：那么接收到輸出符號V=Vj后，關于U的平均不確定性為：這是接收到輸出符號Vj后關于U的條件熵當前第21頁\共有50頁\編于星期四\20點這個條件熵稱為信道疑義度。它表示在輸出端收到全部輸出符號V后，對于輸入端的符號集U尚存在的不確定性（存在疑義）。從上面分析可知：條件熵小于無條件熵，即H（U|V）<H（U）。說明接收到符號集V的所有符號后，關于輸入符號U的平均不確定性減少了。即總能消除一些關于輸入端X的不確定性，從而獲得了一些信息。當前第22頁\共有50頁\編于星期四\20點（2）平均互信息定義:

I（U,V）=H（U）

H（U|V）（3.10）

I（U,V）稱為U和V之間的平均互信息.它代表接收到符號集V后獲得的關于U的信息量。可見，熵（H（U）、H（U|V））只是平均不確定性的描述。熵差（H（U）

H（U|V））是不確定性的消除，即互信息才是接收端所獲得的信息量。對輸入端U只有U1，U2兩類，互信息的計算公式為: 當前第23頁\共有50頁\編于星期四\20點7.2決策樹方法決策樹概念決策樹是用樣本的屬性作為結(jié)點，用屬性的取值作為分支的樹結(jié)構。決策樹的根結(jié)點是所有樣本中信息量最大的屬性。樹的中間結(jié)點是該結(jié)點為根的子樹所包含的樣本子集中信息量最大的屬性。決策樹的葉結(jié)點是樣本的類別值。當前第24頁\共有50頁\編于星期四\20點決策樹是一種知識表示形式，它是對所有樣本數(shù)據(jù)的高度概括。決策樹能準確地識別所有樣本的類別，也能有效地識別新樣本的類別。當前第25頁\共有50頁\編于星期四\20點7.2.2ID3方法基本思想當前國際上最有影響的示例學習方法首推的ID3（InterativeDicmiserversions3）.

原理：首先找出最有判別力的特征，把數(shù)據(jù)分成多個子集，每個子集又選擇最有判別力的特征進行劃分，一直進行到所有子集僅包含同一類型的數(shù)據(jù)為止。最后得到一棵決策樹。的工作主要是引進了信息論中的互信息，他將其稱為信息增益（informationgain），作為特征判別能力的度量，并且將建樹的方法嵌在一個迭代的外殼之中。當前第26頁\共有50頁\編于星期四\20點一、ID3基本思想例如：關于氣候的類型，特征為:

天氣取值為：晴，多云，雨

氣溫取值為：冷，適中，熱

濕度取值為：高，正常

風取值為：有風，無風

當前第27頁\共有50頁\編于星期四\20點每個實體在世界中屬于不同的類別，為簡單起見，假定僅有兩個類別，分別為P，N。在這種兩個類別的歸納任務中，P類和N類的實體分別稱為概念的正例和反例。將一些已知的正例和反例放在一起便得到訓練集。表3.1給出一個訓練集。由ID3算法得出一棵正確分類訓練集中每個實體的決策樹，見下圖。當前第28頁\共有50頁\編于星期四\20點NO.屬性類別天氣氣溫濕度風1晴熱高無風N2晴熱高有風N3多云熱高無風P4雨適中高無風P5雨冷正常無風P6雨冷正常有風N7多云冷正常有風P8晴適中高無風N9晴冷正常無風P10雨適中正常無風P11晴適中正常有風P12多云適中高有風P13多云熱正常無風P14雨適中高有風N當前第29頁\共有50頁\編于星期四\20點天

氣濕度風晴雨多云高正常有風無風PNNPPID3決策樹當前第30頁\共有50頁\編于星期四\20點決策樹葉子為類別名，即P或者N。其它結(jié)點由實體的特征組成，每個特征的不同取值對應一分枝。若要對一實體分類，從樹根開始進行測試，按特征的取值分枝向下進入下層結(jié)點，對該結(jié)點進行測試，過程一直進行到葉結(jié)點，實體被判為屬于該葉結(jié)點所標記的類別。當前第31頁\共有50頁\編于星期四\20點現(xiàn)用圖來判一個具體例子，某天早晨氣候描述為:

天氣：多云

氣溫：冷

濕度：正常

風：無風它屬于哪類氣候呢?從圖中可判別該實體的類別為P類。當前第32頁\共有50頁\編于星期四\20點ID3就是要從表的訓練集構造圖這樣的決策樹。實際上，能正確分類訓練集的決策樹不止一棵。Quinlan的ID3算法能得出結(jié)點最少的決策樹。當前第33頁\共有50頁\編于星期四\20點二、ID3算法（一）主算法⒈從訓練集中隨機選擇一個既含正例又含反例的子集（稱為"窗口"）；⒉用“建樹算法”對當前窗口形成一棵決策樹；⒊對訓練集（窗口除外）中例子用所得決策樹進行類別判定，找出錯判的例子；⒋若存在錯判的例子，把它們插入窗口，轉(zhuǎn)2，否則結(jié)束。當前第34頁\共有50頁\編于星期四\20點主算法流程用下圖表示。其中PE、NE分別表示正例集和反例集，它們共同組成訓練集。PE‘，PE’‘和NE’，NE‘’分別表示正例集和反例集的子集。主算法中每迭代循環(huán)一次，生成的決策樹將會不相同。當前第35頁\共有50頁\編于星期四\20點訓練集PE、NE取子集建窗口窗口PE`、NE`生成決策樹測試PE、NE擴展窗口PE`=PE`+PE``NE`=NE`+NE``此決策樹為最后結(jié)果存在錯判的PE``，NE``嗎是否ID3主算法流程當前第36頁\共有50頁\編于星期四\20點（二）建樹算法⒈對當前例子集合，計算各特征的互信息；⒉

選擇互信息最大的特征Ak；⒊把在Ak處取值相同的例子歸于同一子集，Ak取幾個值就得幾個子集；⒋對既含正例又含反例的子集，遞歸調(diào)用建樹算法；⒌若子集僅含正例或反例，對應分枝標上P或N，返回調(diào)用處。當前第37頁\共有50頁\編于星期四\20點實例計算對于氣候分類問題進行具體計算有：⒈信息熵的計算信息熵：類別出現(xiàn)概率：|S|表示例子集S的總數(shù)，|ui|表示類別ui的例子數(shù)。對9個正例和5個反例有：P（u1）=9/14 P（u2）=5/14H（U）=（9/14）log（14/9）+（5/14）log（14/5）=0.94bit當前第38頁\共有50頁\編于星期四\20點⒉條件熵計算條件熵：屬性A1取值vj時，類別ui的條件概率：A1=天氣取值v1=晴，v2=多云，v3=雨在A1處取值晴的例子5個，取值多云的例子4個，取值雨的例子5個，故：

P（v1）=5/14P（v2）=4/14P（v3）=5/14取值為晴的5個例子中有2個正例、3個反例，故：

P（u1/v1）=2/5，P（u2/v1）=3/5同理有：P（u1/v2）=4/4，P（u2/v2）=0

P（u1/v3）=2/5，P（u2/v3）=3/5H(U/V)=(5/14)((2/5)log(5/2)+(3/5)log(5/3))+(4/14)((4/4)log(4/4)+0)+(5/14)((2/5)log(5/2)+(3/5)log(5/3))=0.694bit當前第39頁\共有50頁\編于星期四\20點⒊互信息計算對A1=天氣處有：

I（天氣）=H（U）-H（U|V）=0.94-0.694=0.246bit

類似可得：

I（氣溫）=0.029bitI（濕度）=0.151bitI（風）=0.048bit⒋建決策樹的樹根和分枝

ID3算法將選擇互信息最大的特征天氣作為樹根，在14個例子中對天氣的3個取值進行分枝，3個分枝對應3個子集，分別是:

F1={1，2，8，9，11}，F(xiàn)2={3，7，12，13}，F(xiàn)3={4，5，6，10，14}

其中F2中的例子全屬于P類，因此對應分枝標記為P，其余兩個子集既含有正例又含有反例，將遞歸調(diào)用建樹算法。當前第40頁\共有50頁\編于星期四\20點⒌遞歸建樹分別對F1和F3子集利用ID3算法，在每個子集中對各特征（仍為四個特征）求互信息.

（1）F1中的天氣全取晴值，則H（U）=H（U|V），有I（U|V）=0，在余下三個特征中求出濕度互信息最大，以它為該分枝的根結(jié)點，再向下分枝。濕度取高的例子全為N類，該分枝標記N。取值正常的例子全為P類，該分枝標記P。

（2）在F3中，對四個特征求互信息，得到風特征互信息最大，則以它為該分枝根結(jié)點。再向下分枝，風取有風時全為N類，該分枝標記N。取無風時全為P類，該分枝標記P。這樣就得到下圖的決策樹。當前第41頁\共有50頁\編于星期四\20點天

氣濕度風晴雨多云高正常有風無風PNNPPID3決策樹當前第42頁\共有50頁\編于星期四\20點對ID3的討論⒈優(yōu)點

ID3在選擇重要特征時利用了互信息的概念，算法的基礎理論清晰，使得算法較簡單，是一個很有實用價值的示例學習算法。該算法的計算時間是例子個數(shù)、特征個數(shù)、結(jié)點個數(shù)之積的線性函數(shù)。用4761個關于苯的質(zhì)譜例子作了試驗。其中正例2361個，反例2400個，每個例子由500個特征描述，每個特征取值數(shù)目為6，得到一棵1514個結(jié)點的決策樹。對正、反例各100個測試例作了測試，正例判對82個，反例判對80個，總預測正確率81%，效果是令人滿意的。當前第43頁\共有50頁\編于星期四\20點⒉缺點

（1）互信息的計算依賴于特征取值的數(shù)目較多的特征，這樣不太合理。一種簡單的辦法是對特征進行分解，如上節(jié)例中，特征取值數(shù)目不一樣，可以把它們統(tǒng)統(tǒng)化為二值特征，如天氣取值晴，多云，雨，可以分解為三個特征；天氣—晴，天氣—多云，天氣—雨。取值都為“是”或“否”，對氣溫也可做類似的工作。這樣就不存在偏向問題了。當前第44頁\共有50頁\編于星期四\20點

（2）用互信息作為特征選擇量存在一個假設，即訓練例子集中的正，反例的比例應與實際問題領域里正、反例比例相同。一般情況不能保證相同，這樣計算訓練集的互信息就有偏差。

（3）I