机器学习与深度学习06-决策树02

前文回顾

上一篇文章地址：链接

5.决策树中的熵和信息增益

熵和信息增益是在决策树中用于特征选择的重要概念，它们帮助选择最佳特征进行划分。

1. 熵（Entropy）：熵是信息论中用来度量不确定性或混乱程度的概念。在决策树中，熵被用来度量一个节点的不纯度，即该节点包含多少不同类别的样本，熵的计算公式为，对于节点t，$p_i$表示类别i在节点t中的样本比例

$$Entropy(t)=-\sum _{i=1}^c{p}_i{\log }_2(p_i)$$
其中，c表示类别的数量。熵的值在0和1之间，越接近0表示节点越纯净，越接近1表示节点的不纯度越高。

1. 信息增益（Information Gain）：信息增益用于选择最佳特征来划分数据集。它衡量了通过选择某个特征进行划分后，父节点的熵减少了多少，即子节点的不纯度相对于父节点而言减少了多少， 信息增益的计算公式为
   $$InformationGain(D,A)=Entropy(D)-\sum _{v\in Values(A)}\frac{|D_v|}{|D|}Entropy(D_v)$$
   其中，D是父节点的数据集，A是要划分的特征，$Values(A)$是特征A的取值集合，$D_v$是特征A取值为v时的子节点数据集，信息增益的目标是选择使得信息增益最大的特征来进行划分，因为最大的信息增益意味着划分后的子节点更纯净，不确定性更低。因此，信息增益可以帮助决策树选择最能有效地划分数据的特征，从而构建更加有用的决策树模型
   需要注意的是，信息增益在选择特征时有一定的偏向性，它倾向于选择取值较多的特征，因此在某些情况下可能不适用。为了解决这个问题，基尼不纯度（Gini Impurity）是另一种可选的划分准则，它在某些情况下更适用于特征选择。在实际应用中，可以根据具体问题和数据集选择适当的划分准则

6.什么是基尼不纯度

基尼不纯度是一种用于决策树中的划分准则，它用来度量一个节点的不纯度或混乱程度，基尼不纯度越低，表示节点的纯度越高，即该节点包含的样本更倾向于属于同一类别。与信息增益不同，基尼不纯度不依赖于对数，计算相对较为简单。基尼不纯度的计算公式为，对于节点t，$p_i$表示类别i在节点t中的样本比例
$$Gini(t)=1-\sum _{i=1}^c(p_i{)}^2$$
其中，c表示类别的数量。基尼不纯度的值在0和1之间，越接近0表示节点越纯净，越接近1表示节点的不纯度越高，与信息增益相比，基尼不纯度有一些不同之处：

1. 计算方式：信息增益使用对数计算，而基尼不纯度使用平方计算。这意味着基尼不纯度对误分类的惩罚相对较小，因此更偏向于选择具有最大基尼不纯度下降的特征
2. 取值范围：信息增益的取值范围在0到1之间，而基尼不纯度的取值范围也在0到1之间，但通常基尼不纯度的值略高于信息增益
3. 应用场景：基尼不纯度在某些情况下更适用于特征选择。特别是在处理多分类问题（类别数较多）时，基尼不纯度通常表现更好，因为它偏向于选择取值较少的特征，可以降低树的复杂度

在选择划分特征时，可以根据具体问题和数据集的特点选择使用信息增益或基尼不纯度。通常情况下，它们都是有效的划分准则，但在不同情况下可能表现出不同的优势。机器学习库（如Scikit-Learn）通常提供了两者的选项，以便根据问题需求进行选择

7.决策树与回归问题

决策树是一种用于分类和回归问题的机器学习模型，它们的主要区别在于应用的问题类型和输出变量的性质。

1. 分类问题：在分类问题中，目标是将输入数据分为预定义的类别或标签中的一个。决策树用于解决分类问题时，每个叶子节点代表一个类别，模型通过从根节点到叶子节点的路径来确定数据点的类别。例如，可以使用决策树来判断电子邮件是垃圾邮件还是正常邮件、患者是否患有某种疾病等
2. 回归问题：在回归问题中，目标是预测一个连续的数值输出，而不是分类标签。决策树用于解决回归问题时，每个叶子节点代表一个数值，模型通过从根节点到叶子节点的路径来预测数据点的数值输出。例如，可以使用决策树来预测房屋价格、股票价格等连续性输出
3. 主要区别：主要区别在于输出变量的性质。分类问题的输出是离散的类别标签，而回归问题的输出是连续的数值。决策树的构建和评估方法在两种问题中基本相同，但叶子节点的表示和预测方式不同
4. 将决策树应用于回归问题：要将决策树应用于回归问题，需要对其进行一些适应性修改

以下是一些将决策树用于回归问题的关键点：

1. 叶子节点的表示：在回归决策树中，叶子节点不再代表类别标签，而代表数值。通常，叶子节点的数值是该节点中所有训练样本的目标变量值的平均值
2. 划分准则：在回归决策树中，常用的划分准则包括均方误差（Mean Squared Error）和平均绝对误差(Mean Absolute Error)。划分时选择使均方误差或平均绝对误差最小化的特征和取值
3. 剪枝：与分类决策树类似，回归决策树也可以进行剪枝操作，以减小树的复杂度，提高泛化能力
4. 评估指标：在回归问题中，通常使用均方误差、平均绝对误差、决定系数（R-squared）等指标来评估模型的性能

8.随机森林是什么

随机森林（Random Forest）是一种集成学习算法，用于改进单个决策树模型的性能。是一种强大且广泛应用的机器学习方法，随机森林的核心思想是通过构建多个决策树，并将它们的预测结果结合起来，来提高整体模型的性能和鲁棒性，以下是随机森林是如何改进单个决策树模型性能的主要方式

1. 随机抽样（Bootstrap抽样）：在构建每棵决策树时，随机森林从训练数据中使用有放回抽样（Bootstrap抽样）来创建不同的训练子集。这意味着每棵树使用的数据集都是略有不同的，从而增加了模型的多样性
2. 随机特征选择：在每次分裂决策树节点时，随机森林不考虑所有特征，而是从所有特征中随机选择一个子集用于分裂。这样可以防止某些特征在模型中占据主导地位，增加了模型的多样性，同时也提高了计算效率
3. 多数投票或平均：当随机森林中的所有决策树都构建完成后，它们的预测结果会被结合起来。对于分类问题，采用多数投票的方式，即每棵树投票选择类别，最终选择得票最多的类别作为模型的预测结果。对于回归问题，采用平均的方式，即将所有树的预测结果取平均值作为最终预测值
4. 降低过拟合风险：由于随机森林的每个决策树都是在不同的子集上训练的，因此它们具有较高的多样性，降低了过拟合的风险。这意味着即使训练数据中存在噪声或异常值，随机森林也能够产生稳健的预测
5. 高性能：随机森林通常在处理大规模数据集时表现良好，因为每棵决策树可以并行构建，从而提高了训练速度。此外，它们通常不需要太多的超参数调整，使其易于使用

总的来说，随机森林通过组合多个决策树，利用随机性和投票策略，改进了单个决策树的性能，提高了模型的泛化能力和鲁棒性，适用于各种机器学习任务，包括分类、回归和特征选择