拉勾教育决策树算法理论篇

1，什么是决策树？
决策树是一种机器学习算法，我们可以使用决策树来处理分类问题。决策树的决策（分类）过程可以用一个倒着的树形结构来形象的表达出来，因此得名决策树。拉勾IT课小编为大家分解：
比如我们根据天气是否晴朗和是否刮风来决定是否去踢球？当天气晴朗并且不刮风的时候，我们才去踢球。
此时，就可以将这个决策过程用一个树形结构来表示，如下：
________________________________________

________________________________________
这就是一颗简单的决策树，我们可以用它来判断是否要去踢球。上方是树的根节点，下方是树的叶子节点。方框里是判断的过程，椭圆形中是决策的结果。
当然，实际的使用过程中，判断条件并不会这么简单，也不会让我们自己手动画图。实际应用中，我们会让程序自动的，从一堆样本数据集中构造出这颗决策树，这个程序自动构建决策树的过程就是机器学习的过程。
终构造出来的这棵决策树就是机器学习的结果，叫做模型。后，我们可以向模型中输入一些属性条件，让模型给出我们判断结果。
________________________________________

________________________________________
2，如何构建决策树？
比如我们有如下数据集：
序号      条件:天气晴朗?      条件:是否刮风?      结果:去踢球吗?
1      是      否      去
2      是      是      不去
3      否      是      不去
4      否      否      不去
可以看到这个表格中有4 行（行表头不算），4 列数据。
一般在机器学习中，后一列称为目标(target)，前边的列都称为特征(features)。
我们要根据这个数据集，来构建一颗决策树，那如何构建呢？
首先，需要确定使用哪个属性作为个判断条件，是先判断天气晴朗，还是先判断是否刮风？也就是，让天气晴朗作为树的根节点，还是让是否刮风作为树的根节点？
解决这个问题需要用到信息熵和信息纯度的概念，我们先来看什么是信息熵。
3，什么是信息熵？
1948 年，克劳德·香浓在他的论文“通信的数学原理”中提到了信息熵（一般用H 表示），度量信息熵的单位是比特。
就是说，信息量的多少是可以量化的。一条信息量的多少与信息的不确定性有关，可以认为，信息量就等于不确定性的多少（信息的不确定度）。
信息熵的计算公式如下：
________________________________________

________________________________________
该公式的含义是：
•      待分类的事物可以分在多个分类中，这里的n 就是分类的数目。
•      H(X) 表示熵，数学含义是，所有类别包含的信息期望值。
•      -㏒p(Xì)表示符号的信息值，p(Xì) 是选择该分类的概率。
•      公式中的log 一般以2 为底。
总之，就是要知道，信息量的多少是可以用数学公式计算出来的，用信息论中的专业术语就叫做信息熵。信息熵越大，信息量也就越大。
3.1，计算信息熵
那么我们就来计算一下上面表格数据的信息熵。我们只关注“结果”那一列：
结果:去踢球吗?
去
不去
不去
不去
根据表格，我们可以知道，所有的分类共有2 种，也就是“去” 和“不去”，“去”出现了1 次，“不去”出现了3 次。
分别计算“去” 和“不去” 出现的概率：
•      P(去) = 1 / 4 = 0.25
•      P(不去) = 3 / 4 = 0.75
然后，根据熵的计算公式来计算“去”和“不去” 的信息熵，其中log 以2 为底：
•      H(去) = 0.25 * log 0.25 = -0.5
•      H(不去) = 0.74 * log 0.75 = -0.31127812445913283
所以，整个表格含有的信息量就是：
•      H(表格) = -(H(去) + H(不去)) = 0.81127812445913283
3.2，用代码实现信息熵的计算
将计算信息熵的过程用Python 代码实现，如下：
import math

# 本函数用于计算一组数据的信息熵
# data_set 是一个列表，代表一组数据
# data_set 的元素data 也是一个列表
def calc_ent(data_set):
  labels = {} # 用于统计每个label 的数量
 
  for data in data_set:
    label = data[-1]      # 只用后一个元素做计算
    if label not in labels:
        labels[label] = 0

    labels[label] += 1

  ent = 0 # 熵
  n = len(data_set)   # 数据条数

  # 计算信息熵
  for label in labels:
    prob = float(labels[label]) / n # label 的概率
    ent -= prob * math.log(prob, 2) # 根据信息熵公式计算

  return ent
下面用该函数来计算表格的信息熵：
# 将表格转化为 python 列表
# "yes" 表示"去"
# "no" 表示"不去"
data_set = [['yes'], ['no'], ['no'], ['no']]
ent = calc_ent(data_set)
print(ent)      # 0.811278124459
可见，用代码计算出来的结果是 0.811278124459，跟我们手算的结果 0.81127812445913283 是一样的（保留的小数位数不同）。
4，什么是信息纯度？
信息的纯度与信息熵成反比：
•      信息熵越大，信息量越大，信息越杂乱，纯度越低。
•      信息熵越小，信息量越小，信息越规整，纯度越高。
经典的“不纯度”算法有三种，分别是：
•      信息增益，即 ID3 算法，Information Divergence，该算法由 Ross Quinlan 于1975 年提出，可用于生成二叉树或多叉树。
o      ID3 算法会选择信息增益大的属性来作为属性的划分。
•      信息增益率，即 C4.5 算法，是 Ross Quinlan 在ID3 算法的基础上改进而来，可用于生成二叉树或多叉树。
•      基尼不纯度，即 CART 算法，Classification and Regression Trees，中文为分类回归树。
o      即可用于分类数，又可用于回归树。分类树用基尼系数做判断，回归树用偏差做判断。
o      基尼系数本身反应了样本的不确定度。
      当基尼系数越小的时候，样本之间的差异性越小，不确定程度越低。
      CART 算法会选择基尼系数小的属性作为属性的划分。
信息增益是其中简单的一种算法，后两者都是由它衍生而来。本篇文章中，我们只详细介绍信息增益。
基尼系数是经济学中用来衡量一个国家收入差距的常用指标。当基尼系数大于 0.4 的时候，说明财富差异较大。基尼系数在 0.2-0.4 之间说明分配合理，财富差距不大。
5，什么是信息增益？
信息增益就是，在根据某个属性划分数据集的前后，信息量发生的变化。
信息增益的计算公式如下：

该公式的含义：
•      简写就是：G = H(父节点) - H(所有子节点)
•      也就是：父节点的信息熵减去所有子节点的信息熵。
•      所有子节点的信息熵会按照子节点在父节点中的出现的概率来计算，这叫做归一化信息熵。
信息增益的目的在于，将数据集划分之后带来的纯度提升，也就是信息熵的下降。如果数据集在根据某个属性划分之后，能够获得大的信息增益，那么这个属性就是选择。
所以，我们想要找到根节点，就需要计算每个属性作为根节点时的信息增益，那么获得信息增益大的那个属性，就是根节点。
5.1，计算信息增益
为了方便看，我将上面那个表格放在这里：
序号      条件:天气晴朗?      条件:是否刮风?      结果:去踢球吗?
1      是      否      去
2      是      是      不去
3      否      是      不去
4      否      否      不去
我们已经知道了，信息增益等于按照某个属性划分前后的信息熵之差。
这个表格划分之前的信息熵我们已经知道了，就是我们在上面计算的结果：
•      H(表格) = 0.81127812445913283。
接下来，我们计算按照“天气晴朗”划分的信息增益。按照“天气晴朗”划分后有两个表格。
表格1，“天气晴朗”的值为“是”：
序号      条件:天气晴朗?      条件:是否刮风?      结果:去踢球吗?
1      是      否      去
2      是      是      不去
分类共有2 种，也就是“去” 和“不去”，“去”出现了1 次，“不去”出现了1 次。
所以，“去” 和“不去” 出现的概率均为0.5：
•      P(去) = P(不去) = 1 / 2 = 0.5
然后，“去”和“不去” 的信息熵，其中log 以2 为底：
•      H(去) = H(不去) = 0.5 * log 0.5 = -0.5
所以，表格1 含有的信息量就是：
•      H(表格1) = -(H(去) + H(不去)) = 1
表格2，“天气晴朗”的值为“否”：
序号      条件:天气晴朗?      条件:是否刮风?      结果:去踢球吗?
3      否      是      不去
4      否      否      不去
所有的分类只有1 种，是“不去”。所以：
•      P(不去) = 1
然后，“不去” 的信息熵，其中log 以2 为底：
•      H(不去) = 1 * log 1 = 0
所以，表格2 含有的信息量就是：
•      H(表格2) = 0
总数据共有4 份：
•      表格1 中有2 份，概率为 2/4 = 0.5
•      表格2 中有2 份，概率为 2/4 = 0.5
所以，终按照“天气晴朗”划分的信息增益为：
•      G(天气晴朗) = H(表格) - (0.5*H(表格1) + 0.5*H(表格2)) = H(表格) - 0.5 = 0.31127812445913283。
5.2，ID3 算法的缺点
当我们计算的信息增益多了，你会发现，ID3 算法倾向于选择取值比较多的属性作为（根）节点。
但是有的时候，某些属性并不会影响结果（或者对结果的影响不大），那此时使用ID3 选择的属性就不恰当了。
为了改进ID3 算法的这种缺点，C4.5 算法应运而生。
C4.5 算法对ID3 算法的改进点包括：
•      采用信息增益率，而不是信息增益，避免ID3 算法有倾向于选择取值多的属性的缺点。
•      加入了剪枝技术，防止ID3 算法中过拟合情况的出现。
•      对连续的属性进行离散化的处理，使得C4.5 算法可以处理连续属性的情况，而ID3 只能处理离散型数据。
•      处理缺失值，C4.5 也可以针对数据集不完整的情况进行处理。
当然C4.5 算法也并不是没有缺点，由于 C4.5算法需要对数据集进行多次扫描，所以算法效率相对较低。这里不再展开讨论C4.5 算法