《判定树学习算法I》PPT课件_第1页
《判定树学习算法I》PPT课件_第2页
《判定树学习算法I》PPT课件_第3页
《判定树学习算法I》PPT课件_第4页
《判定树学习算法I》PPT课件_第5页
已阅读5页，还剩11页未读， 继续免费阅读

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

1、决策树：分类和回归树,Breiman在20世纪80年代早期创造了该术语。该技术在,医疗、市场调查统计、营销和顾客关系等方面得到了很,好的应用。,分类树是使用树结构算法将数据分成离散类的方法。,医疗数据,例,将上表数据提供给决策树软件，可产生以下决策树,构造分类树：ID3算法,1、试探性地选择一个属性放在根节点，对该属性的每个节点 产生一个分枝。从而分裂根节点上的数据集，并移到子女节点， 产生一棵局部树。,2、根据局部树的质量，选择一棵局部树。,3、对选定的局部树的每个子女节点重复上述步骤。,4、如果一个节点上的所有实例都具有相同的类，则停止局部 树的生长。,气象状况与是否打网球这关系数据集,实

2、例分析,天气状况有4种属性，因此有4棵可能的局部树：,选取信息熵最小的局部树作为决策树的顶层。,节点的的信息熵：,若节点仅包含Yes 或仅包含No的数据点，信息熵为0;,若节点包含Yes 和No的数据点一样多，信息熵最大。,数据的信息度量和信息熵的计算,例如,信息值的计算,训练样本在包含9个YES和5个NO的根节点上，信息值为,Info(9,5)=0.940 位,局部树(a), 在叶节点上YES和No的个数分别是2,3, 4,0, 和 3,2, 信息值分别是,Info(2,3)=0.971 位 Info(4,0)=0 位 Info(3,2)=0.971 位,平均信息值为,位,局部树(a)导致的

3、信息增益为,Gain(天气)= info(9,5) - info(2,3,4,0,3,2) = 0.940-0.693 = 0.247位,它可以解释在“天气”属性上创建分枝的信息值。,用同样的方法计算局部树(b),(c),(d)的信息值，并计算信息增益,Gain(气温)=0.029 位 Gain(湿度)=0.152 位 Gain(有风)=0.048 位,局部树(a)导致的信息增益最大，故选择天气作为根节点的划分 属性。,继续递归地选择。,天气为晴时所达到的节点上的可能深一层的分枝：,Gain(气温)=0.571 位,Gain(湿度)=0.971 位,理想的情况下，当叶节点包含的实例具有相 同的

4、类时分枝过程终止。,但可能无法达到这种结果。当数据不能进一步 划分时，停止划分过程。,Gain(有风)=0.020 位,天气为雨时所达到的节点上的可能深一层的分枝：,最终决策树,作业：假定你是学院的篮球队队长，根据下表给出的记录，设计一 种赢得下场比赛的策略。,练习：对下表数据，使用ID3算法构造决策树。,参考文献： 数据挖掘基础教程 原书名： Insight into Data Mining: Theory and Practice 原出版社： Prentice-Hall of India Pvt.Ltd 作者： (印度)K.P. Soman Shyam Diwakar V. Ajay 译者： 范明;牛常勇 丛书名： 计算机科学丛书 出版

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