03 decision tree（决策树）

一、decision tree（决策树）

1. classification problems（纯度）

i . entropy （熵）

? 作用：衡量一组数据的纯度是否很纯 ，当五五开时他的熵都是最高的，当全是或者都不是时熵为 0

i i . information gain （信息增益）

? 父节点到子节点的熵的减少称为信息增益，处理分支熵的时候，选择使用熵的加权平均值来衡量熵值的高低，计算信息增益是为了看两阶之间如果增益太小的话则不需要分了

i i i . 多个&连续特征

a)one hot coding(独热编码)

? **使用：**如果一个特征有多个可能取值，我们可以将多个取值都变为一种特征，然后取值变为0，1是否

b) 连续特征

? **解决：**如果一个特征有连续的取值，类似体重，可以按照信息熵来划分一个界限

2、regression tree（回归树）

i. how to choosing a spilt

a). 根据方差选择回归树

? 先计算出根节点的方差，然后计算不同特征分类以后的方差，选择方差差值较大的一个作为划分条件

i i. weaknesses of desicion tree

? 改变数据集中的一个数据就会对最后的树造成很大的影响，形成一个根据不同条件划分的树

? 解决：多构建几个树，使用树的合集来共同决策最后的结果，来投票最后的结果

二、决策森林

i. Sampling with replacement（有放回抽样）

? **作用：**通过有放回的多次抽样，得到多个和原始训练集大小一样的训练集，与原始的相似但不同的新训练集

i i . Random forest algorithm

a) 袋装决策树

? 使用 : 使用放回抽样来生成新的dataset，用生成的新的dataset来训练模型，得到新的decision tree，一共重复m次，m 的取值一般为64-228，一般是100往后可能会收益递减。

b) random forest algorithm

? 与上面的不同： 袋装决策树会因为dataset的小的改变而改变根节点和附近的划分特征，而这里会选择从n个feature中选择 k 个特征，从中选择entropy最大feature来进行划分。

? 为什么比单一的决策树更加健壮： 因为有放回抽样给了很多个具有微小误差的dataset，训练了不同的决策树，对训练集很多小的变化的求平均

i i i. XGBoost （极端梯度增强）

? **作用：**在前面创建随机森林过程中，对于每次当前dataset中训练错误，在下一次有放回的dataset中都有更大的机会从错误的例子中取出看，进行有针对的错误训练，使得更加 的高效

? 使用：

三 、Conclusion

1 . 决策树，集成树，神经网络的优缺点

i . 决策树和集成树的优缺点：

• 能够很好的处理表格数据（结构化数据），类似于房价问题，将数据都可以做成一个表格的形式，然后我们可以做出分类或者回归预测的任务
• 不建议在视频，图像，音频和文本等非结构化数据使用，神经网络能很好的处理非结构数据

i i .神经网络的优缺点

• 决策树的训练时间很快，大型的神经网络的训练时间通常都是很慢
• 能够很好的和transfer learning协同工作
• 多个机器学习模型协同工作的系统，多个神经网络一起训练比多个决策树更加容易