机器学习中分类和预测算法的评估
- 分类达到的准确率是多少
- 算法复杂度高低影响其速度
- 数据中有噪音，关键值有缺失时，算法表现是否依旧稳定与准确，体现其健壮性
- 数据规模非常大时，同样的算法，是否会产生问题，其可规模性
- 当算算法做出特征值的选择和归类的时候，这种归类能否解释直觉和观察实相符的，能否非常容易的解释学习出来的模型，即可解释性
什么是决策树/判定树（decision tree)?
-
根据如下实例树的最顶层是根结点，出去玩与天气因素的关系数据集，判定树是一个类似于如下的流程图的树结构：其中，每个内部结点表示在一个属性（例如 根节点outlook）上的测试，每个分支代表一个属性输出（sunny,overcast，rain），而每个树叶结点代表类或类分布。，
构造决策树的基本算法
- 收集卖电脑用户的信息数据集[用户属性，要判别的类别标记即用户行为]
熵（entropy）概念：
- 信息和抽象，是否可度量度量？当然可以，那就是“信息熵”，香农(Shannon)在他著名的《通信的数学原理》论文中指出：“信息是用来消除随机不确定性的东西”，并提出了“信息熵(entropy)”的概念（借用了热力学中熵的概念），来解决信息的度量问题。
信息熵是消除不确定性所需信息量的度量，也即未知事件可能含有的信息量。一个事件或一个系统，准确的说是一个随机变量，它有着一定的不确定性。例如，“除东道主俄罗斯外，哪31个国家能进军2018年俄罗斯世界杯决赛圈”，这个随机变量的不确定性很高，要消除这个不确定性，就需要引入很多的信息，这些很多信息的度量就用“信息熵”表达。需要引入消除不确定性的信息量越多，则信息熵越高，反之则越低。例如“中国男足进军2018年俄罗斯世界杯决赛圈”，这个因为确定性很高，几乎不需要引入信息，因此信息熵很低。一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件非常非常不确定的事情，或者 是我们一无所知的事情，需要了解大量信息也就是信息量的度量就等于不确定性的多少
例子：举个吴军在《数学之美》中一样的例子，假设世界杯决赛圈32强已经产生，那么随机变量“2018年俄罗斯世界杯足球赛32强中，谁是世界杯冠军？”的信息量是多少呢？ 根据香农(Shannon)给出的信息熵公式，对于任意一个随机变量X，它的信息熵定义如下，单位为比特(bit)：
那么上述随机变量（谁获得冠军）的信息量是：
H=-(p1·logp1+p2·logp2+…p32·logp32)其中，p1,p2,…,p32分别是这32强球队夺冠的概率。
吴军的书中给出了几个结论：一是32强球队夺冠概率相同时，H=5；二是夺冠概率不同时，H<5；三是H不可能大于5。对于第一个结论：结果是很显然的，夺冠概率相同，即每个球队夺冠概率都是1/32，所以H=-((1/32)·log(1/32)+(1/32)·log(1/32)+…+(1/32)·log(1/32))=-log(1/32)=log(32)=5(bit)
对于第二个结论和第三个结论：使用拉格朗日乘子法进行证明，详见《求约束条件下极值的拉格朗日乘子法》。这实际上是说系统中各种随机性的概率越均等，信息熵越大，反之越小。
从香农给出的数学公式上可以看出，信息熵其实是一个随机变量信息量的数学期望。
决策树归纳算法 （ID3）
1970-1980， J.Ross. Quinlan, ID3算法
选择属性判断结点,度量标准
- 根据信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D),通过A来作为节点分类获取了多少信息
不以任何属性来分的信息熵计算
以年龄 age 来分，年轻人概率占5/14，那么在和五个年轻人里面，购买电脑的信息熵5/14(-2/5log2/5-3/5log3/5)
二者差值，即为以年轻人为分类的信息获取量
类似，以其他属性进行分类的信息获取量
Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048
故，选择age 作为第一个根节点
如上表可见，当age为中年人时，已经不需要再分了，而在youth和senior还可以构建下一个节点，此时还剩income,student,credit_rating这三种属性，同样的方法，这分别以这三种属性的作为分类的信息获取量谁最大，就以该属性为新的节点，不断重复此过程，寻找新的属性作为节点，增长决策树，直到不需要再分（只有一种目标类出现的时候）或者满足某种停止条件时，这就是ID3。
ID3算法总结：
- 树以代表训练样本的单个结点开始（步骤1）。
- 如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤2 和3）。
否则，算法使用称为信息增益（信息获取度）的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的“测试”或“判定”属性（步骤7）。 - 在算法的该版本中，所有的属性都是分类的，即离散值。连续属性必须离散化, 比如 age阈值化。
- 对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤8-10）。
- 算法使用同样的过程，递归地形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不必该结点的任何后代上考虑它（步骤13）比如 age 在后代不考虑。
递归划分步骤仅当下列条件之一成立停止： - (a) 给定结点的所有样本属于同一目标类（步骤2 和3）。
- (b) 没有剩余属性可以用来进一步划分样本（步骤4）。在此情况下，使用多数表决（步骤5）。
这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结
点样本的类分布。 - (c) 分枝
test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类
创建一个树叶（步骤12）
其他算法：
C4.5: （Quinlan）
Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)
共同点：都是贪心算法，自上而下(Top-down approach)
区别：属性选择度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)
3.2 如何处理连续性变量的属性？ （离散化）
树剪枝叶 （避免overfitting)，背景：树增长时深度太大，属性分的太细，训练集还好，给一些测试集就表现差
1. 先剪枝 （分到一定程度，根据类多少，不去增长树了）
2. 后剪枝 （完全把树建好，之后根据一定的标准不如类之间的纯度，把部分叶子减掉）
决策树的优点：
- 直观，便于理解，小规模数据集有效
决策树的缺点：
- 处理连续变量不好(离散化，阈值化的时候，取值范围对结果影响较大)
- 类别较多时，错误增加的比较快
- 可规模性一般（数据集大的时候）