R语言第十一讲 决策树与随机森林
概念
? ? ? ?決策樹主要有樹的回歸和分類方法，這些方法主要根據分層和分割?的方式將預測變量空間劃分為一系列簡單區域。對某個給定待預測的觀 測值，用它所屬區域中訓練集的平均值或眾數對其進行預測。
? ? ? ?基于樹的方法簡便且易于解釋。但預測準確性通常較低。? ??
? ? ? ? 如圖所示，一共有5個人，我們根據年齡和性別進行判斷，這個人是否喜歡打籃球。我們首先根據年齡是否大于15來判斷是否喜歡打籃球。如上，判斷出年齡大于15的都不喜歡打籃球，年齡小于15的可能喜歡打籃球。第一次劃分，左邊的數據集還具有不確定性，因此，我們再次根據性別進行劃分，直到葉子節點的數據集的純度較高時，停止劃分。如上的樹就是一棵決策樹，決策之意，就是我們在每個分支節點上都定義了一個決策屬性（age、is male)。使用方法：我們只需要將數據集中的每一個樣本從上往下依次去走，直至到達葉子節點，來求得其預測值。
? ? ? ?真正的葉子節點的數據集的預測值往往達不到純度（預測值數據占此葉子節點數據集的百分比）為100%，假設響應變量（是否打籃球）為定性變量，那么其響應值就是葉子節點數據集中出現次數最多的響應值，我們假設爺爺奶奶不喜歡打籃球，他媽媽喜歡打籃球，那么此葉子節點其響應值就是不喜歡打籃球。假設響應變量為定量變量（連續的數值類型），那么其響應值就是此葉子節點所有響應值的加權平均數。
? ? ? 決策樹，為什么要先用age決策呢，決策樹如何建立的呢？
? ? ? 接下來，我講一講決策樹的訓練階段。如何從給定的數據集中構造出一棵決策樹？
? ? ??
? ? ? ? ?如上圖，假設這是一個人要去見約會對象了，我們將根據約會對象的年齡、長相、收入、是否是公務員來預測其去不去見他的約會對象。首先看年齡，其次看長相，再其次看收入……，決策的先后代表其重要的程度。
? ? ? ? ?熵? ：描述一個子數據集的純度指標。pi代表的是第i個響應值在葉子數據集中所占的比例，一共有n種響應值。從以下的公式，我們能夠的出，如果一個數據集的純度越高，其熵值就會越低，反之，越高。
? ? ? ?
? ? ? ? ?基尼系數：?描述一個子數據集的純度指標。，如果一個數據集的純度越高，其基尼系數值就會越低，反之，越高。
? ? ? ? ??
? ? ? ? 到底誰來當根節點，這個是由計算機內部計算出來的。
? ? ? ? 構造決策樹的基本思想：隨著樹深度的增加，節點的熵值迅速的降低熵值降低的越快越好，這樣就能得到一顆高度最矮的決策樹。
? ? ? ? 下面通過一個例子，來介紹決策樹的構造過程。
? ? ? ? ?
? ? ? ? ? 預測變量為：outlook（天氣）、temperature（溫度）、humidity（濕度）、windy（是否有風）。
? ? ? ? ? 響應變量：是否出去玩（play）
? ? ? ? ? 構造決策樹：誰來當根節點？我們的得到如下的四種劃分。
? ? ? ? ? ?
? ? ? ?上面說過了，決策樹的構造是根據隨著樹深度的增加，節點的熵值迅速的降低熵值降低的越快越好。那么這四種劃分，那種的熵值降低的幅度最大呢？原有數據集的熵值如下公式計算出來。
?
首先呢，若選擇outlook作為根節點，首次劃分之后，其熵值為多少呢？
outlook一共有14個樣本
outlook=sunny時，5個樣本，2/5的概率打球，3/5的概率不打球。entropy=0.971
outlook=overcast時，4個樣本，entropy = 0
outlook=rainy時，5個樣本，entropy= 0.971.
其熵值為：5/14 x 0.971 + 4/14 x 0 + 5/14 x 0.971 = 0.693。
如此，系統熵就從0.940降到了0.693.信息增益為?0.940 -?0.693 = 0.247
同樣的temperature 信息增益為0.029，humidity?信息增益為0.152，windy 信息增益為0.048.
誰的信息增益大，取那個特征做決策，遞歸的其左右孩子皆為如此。
接下來，介紹一下一種算法叫做ID3算法，決策樹傳統的算法，他就是利用信息增益來構建決策樹。
信息增益看起來很好，但其實他是存在一些問題的。它存在一些異常現象。
假設，我們考慮這樣一個特征，他呢，有很多個值，每一個屬性值內部的樣本數量又非常少，極端情況下，其每一個屬性值內部只有一個樣本，那么其熵值就會為0，但是，這樣的特征真的就好嗎。答案是否定的。采用信息增益作為判定方法，會傾向于去選擇屬性取值比較多的屬性。那么，選擇取值多的屬性為什么就不好了呢？舉個比較極端的例子，如果將身份證號作為一個屬性，那么，其實每個人的身份證號都是不相同的，也就是說，有多少個人，就有多少種取值，它的取值很多吧，讓我們繼續看，如果用身份證號這個屬性去劃分原數據集D，那么，原數據集D中有多少個樣本，就會被劃分為多少個子集，每個子集只有一個人，這種極端情況下，因為一個人只可能屬于一種類別，好人，或者壞人，那么此時每個子集的信息熵就是0了，就是說此時每個子集都特別純。信息增益計算出來的特別大，然后決策樹會用身份證號這個屬性來劃分原數據集D，其實這種劃分毫無意義。
所以，后人提出了對于ID3的改進算法：C4.5，他是基于信息增益率來構造決策樹的。
信息增益率：一個決策的信息增益/屬性的熵值??
比如身份證的例子，身份證屬性的熵值就很大，因為其屬性值很多，純度很低。身份證的熵值雖然大但是除以屬性的熵值之后就會變小，也就是其信息增益率就會很小。
如何評價一棵決策樹的預測效果呢，到底這顆樹的效果如何呢？
在此，我們引入評價函數
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
N代表當前葉子節點數據集的樣本數量，H代表當前葉子節點的熵值。
樹的減枝。一個決策樹預測好了之后，如果不進行減枝很可能會出現過擬合的現象發生，也就是說，他能很好的擬合訓練集，但是測試集的運行效果并不是很好，這主要在于這棵樹太過于龐大，有太多的分支，也可能是受到了訓練集上一些異常值的影響。
我們可以進行兩種減枝操作：
預剪枝：在構建決策樹的過程中，提前停止。比如，決策度的深度、或者某個葉子節點數據集樣本數到某個數值時就進行停止。
后剪枝：決策樹構建好了后，然后才開始減枝。我們將評價函數作如下改變，?T代表葉子節點的個數。
? ? ? ? ? ? ??
? ? ? ? ? ? ?圖中的a值用來，作為一個調整參數。
? ? ? ? ? ? ? 我們利用評價函數，對樹中的分支節點進行評價，根據評價函數值進行決定要不要進行減枝。
隨機森林：通俗的講就是我們將訓練集中部分數據進行10次有放回的隨機抽樣得到十個訓練集，然后就能在十個訓練集上得到十棵決策樹，構造決策樹的時候，選擇特征（天氣、溫度……）時，每棵樹只抽取部分特征。使用的時候，用十棵決策樹共同來做出決定，比如同一個預測變量值，六棵樹預測為藍色，4棵為紅色，其最終預測值就是藍色。
?
?
?
?
? ? ? ??
? ? ? ? ??
總結
以上是生活随笔為你收集整理的R语言第十一讲 决策树与随机森林的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Java求最小数用哪个函数_在Java中
- 下一篇： 基于uCOSII的LCD驱动实验