《机器学习项目案例开发》课件 9.2决策树-构造_第1页
《机器学习项目案例开发》课件 9.2决策树-构造_第2页
《机器学习项目案例开发》课件 9.2决策树-构造_第3页
《机器学习项目案例开发》课件 9.2决策树-构造_第4页
《机器学习项目案例开发》课件 9.2决策树-构造_第5页
已阅读5页，还剩5页未读， 继续免费阅读

付费下载

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

人工智能技术与应用9.决策树课程概况—基本情况PART01决策树算法构造衡量标准树的组成衡量标准衡量标准节点选择-信息增益二分类问题的熵：

不确定性越大，得到的熵值也就越大

当p=0或p=1时，H(p)=0,随机变量完全没有不确定性

当p=0.5时，H(p)=1,此时随机变量的不确定性最大如何决策一个节点的选择信息增益：表示特征X使得类Y的不确定性减少的程度（分类后的专一性，希望分类后的结果是同类在一起）决策树的概念决策树构建实例：数据：是近两周（14天）的打球情况，特征为天气表现、温度、适度、是否有风4种不同的环境，特征:outlook天气、temperature温度、humidity湿度、windy有风、目标：怎么选择分类的特征，构造决策树决策树的概念根节点选择问题：4种划分方式

那个特征是根节点判断依据是什么信息增益树的组成信息增益：求熵：在14天的数据中，有9天有打球，5天没有打球。所以此时的熵为：按照outlook特征分类计算熵树的组成

树的组成常用的决策树算法：ID3：信息增益（有什么问题呢？）C4.5：信息增益率（解决ID3问题，考虑自身熵）CART：使用GINI系数来当做衡量标准GINI系数：（和熵的衡量标准类似，计算方式不相同）

C4.5信息增益率对于IV而言，a分类数目越多，IV值越大树的组成信息增益：计算其他的信息增益：𝐺𝑎𝑖𝑛(outlook)=0.247𝐺𝑎𝑖𝑛(temperature)=0.029

𝐺𝑎𝑖𝑛(windy)=0.048𝐺𝑎𝑖𝑛(humidity)=0.152一般而言，信息增益越大，则表示使用特征

对数据集划分所获得的“纯度提升”越大。所以信息增益可以用于决策树划分属

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论