决策树信息增益

2024-06-02 10:32
文章标签 信息 决策树 增益

本文主要是介绍决策树信息增益,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

决策树和集成算法都是树模型

决策树:从根节点一步步走到叶子节点,所有的数据都会落到叶子节点,既可以做分类也可以做回归。

一颗树有三种节点组成,根节点,中间几点,叶子节点。根节点是第一个选择节点,也是最重要的一个选择特征。叶子节点是存放最终的结果。

决策树的训练和测试

训练是建立一棵树。

测试是让数据从根节点走到叶子节点。

如何切分特征:

通过一种衡量标准,计算在不同特征下的值。选择最好的一个作为根节点。

信息增益:g(D,A)=H(D)-H(D|A)  是集合D的信息熵-在特征A条件的信息熵

 

决策树的三种算法:

       1.ID3      信息增益

       2.C4.5     信息增益率

       3.CART   基尼系数    

CART分为回归树和分类树,回归树是平方误差。 分类树是基尼系数,作为sklearn默认选择。

决策树减枝原因:容易出现过拟合,只要树足够大,能够把所有的数据分开。

减枝分为预剪枝和后剪枝。

预剪枝:在建立树的过程中进行剪枝。---实用

后剪枝:在建立决策树以后剪枝。

 

剪枝策略:

预剪枝策略:限制树的深度,叶子节点的个数,信息增益量的大小等。

后剪枝策略:通过一定的衡量标准,比如叶子节点个数越多,损失越大。

 

决策树的优缺点:

优点

1.容易理解和解释。

2.不需要很多的数据,不需要归一化。

 

缺点:

1.过拟和

2.决策树不稳定,数据小的变化可能导致产生不同的树。

改进方法:

1.CART剪纸

2.随机森林

 

随机森林

随机森林是一种集成方法,通过随机采样样本和随机选取特征生成多颗树,产生多个分类器,通过投票表决的方式产生最终的结果。

随机森林的特点:两个特点又放回的采样,采样样本和采样特征。

 

随机森林的特点:

1.具有极高的准确率

2.能够运行在大数据集上

3.能够处理高维的样本,不需要降维。

4.能够评估各个特征在分类问题上的重要性

5.对于缺失值也有很好的效果。

 

 

 

 

 

 

 

这篇关于决策树信息增益的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1023716

相关文章

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡,拥有登录权限的账号密码,一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 (如果是1集群把75改成66) 交互式开发 执行器选Terminal 密码随便设一个(需记住) 工作空间:私有数据、全部文件 加速器选GeForce_RTX_2080_Ti

Linux命令(11):系统信息查看命令

系统 # uname -a # 查看内核/操作系统/CPU信息# head -n 1 /etc/issue # 查看操作系统版本# cat /proc/cpuinfo # 查看CPU信息# hostname # 查看计算机名# lspci -tv # 列出所有PCI设备# lsusb -tv

【小迪安全笔记 V2022 】信息打点9~11

第9天 信息打点-CDN绕过篇&漏洞回链8接口探针&全网扫指&反向件 知识点: 0、CDN知识-工作原理及阻碍 1、CDN配置-域名&区域&类型 2、CDN绕过-靠谱十余种技战法 3、CDN绑定-HOSTS绑定指向访问 CDN 是构建在数据网络上的一种分布式的内容分发网。 CDN的作用是采用流媒体服务器集群技术,克服单机系统输出带宽及并发能力不足的缺点,可极大提升系统支持的并发流数目,减少或避

Weex入门教程之4,获取当前全局环境变量和配置信息(屏幕高度、宽度等)

$getConfig() 获取当前全局环境变量和配置信息。 Returns: config (object): 配置对象;bundleUrl (string): bundle 的 url;debug (boolean): 是否是调试模式;env (object): 环境对象; weexVersion (string): Weex sdk 版本;appName (string): 应用名字;

Python批量读取身份证信息录入系统和重命名

前言 大家好, 如果你对自动化处理身份证图片感兴趣,可以尝试以下操作:从身份证图片中快速提取信息,填入表格并提交到网页系统。如果你无法完成这个任务,我们将在“Python自动化办公2.0”课程中详细讲解实现整个过程。 实现过程概述: 模块与功能: re 模块:用于从 OCR 识别出的文本中提取所需的信息。 日期模块:计算年龄。 pandas:处理和操作表格数据。 PaddleOCR:百度的

linux上查看java最耗时的线程信息

找到JAVA进程pid ps -ef|grep java或则jps -mlv 找进行下耗时的线程TID 使用top -Hp pid可以查看某个进程的线程信息 -H 显示线程信息,-p指定pid top -Hp 10906 查看最耗时的 TID即线程id printf "%x\n" [tid] 转成16进制 java中的线程类相关信息 jstack 线程ID 可以查看某个线程的堆栈情况,特别对于h

在糖尿病患者信息管理系统中,导入病人信息功能!

在糖尿病患者信息管理系统中,导入病人信息功能!form表单提交数据(Excel文件),在后台得不到file文件,解决方法:         private File filePath; //文件         private String fileName; //文件名         private String fileType; //文件类型 注:上面filePath必须有,否则下面

前缀和 — 利用前缀信息解决子数组问题

【前缀和的核心思想是预先处理数组来快速计算任意子数组的和,基本上用于数组和序列问题。】 前缀和算法具体步骤 构造前缀和数组: 给定一个数组nums,其前缀和数组prex定义为prex[i]表示为数组nums从起始位置到第i个位置的元素累加和。构建前缀和公式: p r e x [ i ] = n u m s [ i ] ( i = = 0 ) p r e x [ i ] = p r e x

决策树的实现原理与matlab代码

很久不写博客了,感觉很长一段时间只是一味的看书,疏不知一味地看书、写代码会导致自己的思考以及总结能力变得衰弱。所以,我决定还是继续写博客。废话不多说了,今天想主要记录数据挖掘中的决策树。希望能够将自己的理解写得通俗易懂。 决策树是一种对实例分类的树形结构,树中包含叶子节点与内部节点。内部节点主要是数据中的某一特性,叶子节点是根据数据分析后的最后结果。 先看一组数据: 这组数据的特性包含