1、1决策树(Decision Tree)2023-2-221、分类的意义数据库数据库了解类别属性了解类别属性与特征与特征预测预测分类模型决策树分类模型聚类一、分类(Classification)2023-2-23数据库数据库分类标记分类标记性别性别年龄年龄婚姻婚姻否否是是否否是是FemaleFemaleMaleMale35353535未婚未婚已婚已婚2023-2-22、分类的技术(1)决策树4(2)聚类2023-2-23、分类的程序5模型建立(Model Building)模型评估(Model Evaluation)使用模型(Use Model)2023-2-2决策树分类的步骤6数据库2023-
2、2-2训练样本(training samples)建立模型测试样本(testing samples)评估模型例:7资料训练样本训练样本婚姻年龄 家庭 所得否是否是未婚已婚3535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2023-2-24、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
3、倍交叉验证求均值,例如10次10倍交叉验证,更精确一点。2023-2-22023-2-29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。102023-2-2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
4、(常用的有CART、SLIQ及SPRINT算法等)。二、决策树(Decision Tree)(一)决策树的结构11根部节点(root node)中间节点(non-leaf node)(代表测试的条件)分支(branches)(代表测试的结果)叶节点(leaf node)(代表分类后所获得的分类标记)2023-2-22023-2-212(二)决策树的形成例:13n根部节点n中间节点n停止分支?2023-2-2(三)ID3算法(C4.5,C5.0)142023-2-2Quinlan(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
5、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)Example 1:设 k=4p1=0.25,p2=0.25,p3=0.25,p4=0.25 I=-(.25*log2(.25)*4)=2Example 2:设k=4p1=0,p2=0.5,p3=0,p4=0.5I=-(.5*log2(.5)*2)=1Example 3:设 k=4p1=1,p2=0,p3=0,p4=0 I=-(1*log2(1)=02023-2-2152023-2-2
6、16信息增益17Example(Gain)n=16 n1=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)=0.0167nGain(年龄)=0.0167nMax:作为第一个分类依据2023-2-2nGain(性别)=0.0972nGain(家庭所得)=0.0177Example(续)18nGain(家庭所得)=0.688I(7,3)=-(3/7)*log2(3/7)+(4/7)*log2(4/7)=0.9852
7、nGain(年龄)=0.9852nGain(年龄)=0.2222I(9,1)=-(1/9)*log2(1/9)+(8/9)*log2(8/9)=0.5032nGain(家庭所得)=0.50322023-2-2Example(end)ID3算法19分类规则:IF性别=Female AND家庭所得=低所得THEN购买RV房车=否IF性别=Female AND家庭所得=小康THEN购买RV房车=否IF性别=Female AND家庭所得=高所得THEN购买RV房车=是IF性别=Male AND年龄35 THEN购买RV房车=否IF性别=Male AND年龄35 THEN购买RV房车=是n资料nDeci
8、sion Tree2023-2-2(四)Decision Tree的建立过程201、决策树的停止决策树是通过递归分割(recursive partitioning)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。2023-2-22、决策树的剪枝(pruning)21决策树学习可能遭遇模型过度拟合(over fitting)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
9、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。2023-2-2(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。2023-2-2(2)后剪
10、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。2023-2-2应用案例:在农业中的应用2023-2-224第一步:属性离散化2023-2-225第二步:概化(泛化)2023-2-226第三步:计算各属性的期望信息2023-2-227=(17/30)*LOG(17/30),2)+(10/30)*LOG(10
11、/30),2)+(3/30)*LOG(3/30),2)计算各属性的信息增益2023-2-228第四步:决策树2023-2-229案例2:银行违约率2023-2-2302023-2-231案例3 对电信客户的流失率分析2023-2-232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2023-2-233案例5:个人信用评级2023-2-234个人信用评级决策树(五)其他算法35C4.5与C5.0算法Gini Index算法CART算法PRISM算法CHAID算法2023-2-21、C4.5与C5.0算法36C5.0算法则是C4.5算法的修订版,适用在处理大数据集,采用Boosting
12、(提升)方式提高模型准确率,又称为Boosting Trees,在软件上的计算速度比较快,占用的内存资源较少。2023-2-2类别属性的信息熵2、Gini Index算法37ID3 and PRISM适用于类别属性的分类方法。Gini Index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。2023-2-2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Gini split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)。Gini Index算
13、法382()11jNgini Tpjpjj 为类別出现的频率)()()(2211TginiNNTginiNNTginisplit2023-2-2案例:在汽车销售中的应用2023-2-2392023-2-2402023-2-241NNYYYNYYYNNN3、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。2023-2-22023-2-243构建树的步骤:2023-2-2442023-2-245