- 什么是決策樹/判定樹（decision tree)?
判定樹是一個(gè)類似于流程圖的樹結(jié)構(gòu)：其中，每個(gè)內(nèi)部結(jié)點(diǎn)表示在一個(gè)屬性上的測試，每個(gè)分支代表一個(gè)屬性輸出，而每個(gè)樹葉結(jié)點(diǎn)代表類或類分布。樹的最頂層是根結(jié)點(diǎn)。
- 機(jī)器學(xué)習(xí)中分類方法中的一個(gè)重要算法
3.1 熵（entropy）概念：
信息和抽象，如何度量？
1948年，香農(nóng)提出了 ”信息熵(entropy)“的概念
一條信息的信息量大小和它的不確定性有直接的關(guān)系，要搞清楚一件非常非常不確定的事情，或者是我們一無所知的事情，需要了解大量信息==>信息量的度量就等于不確定性的多少例子：猜世界杯冠軍，假如一無所知，猜多少次？每個(gè)隊(duì)奪冠的幾率不是相等的比特(bit)來衡量信息的多少
變量的不確定性越大，熵也就越大
3.1 決策樹歸納算法 （ID3）
1970-1980， J.Ross. Quinlan, ID3算法選擇屬性判斷結(jié)點(diǎn)信息獲取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D)通過A來作為節(jié)點(diǎn)分類獲取了多少信息
類似，Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048
所以，選擇age作為第一個(gè)根節(jié)點(diǎn)
算法：
1、樹以代表訓(xùn)練樣本的單個(gè)結(jié)點(diǎn)開始（步驟1）。
2、如果樣本都在同一個(gè)類，則該結(jié)點(diǎn)成為樹葉，并用該類標(biāo)號（步驟2 和3）。
3、 否則，算法使用稱為信息增益的基于熵的度量作為啟發(fā)信息，選擇能夠最好地將樣本分類的屬性（步驟6）。該屬性成為該結(jié)點(diǎn)的“測試”或“判定”屬性（步驟7）。在算法的該版本中，
4、所有的屬性都是分類的，即離散值。連續(xù)屬性必須離散化。
5、對測試屬性的每個(gè)已知的值，創(chuàng)建一個(gè)分枝，并據(jù)此劃分樣本（步驟8-10）。
6、算法使用同樣的過程，遞歸地形成每個(gè)劃分上的樣本判定樹。一旦一個(gè)屬性出現(xiàn)在一個(gè)結(jié)點(diǎn)上，就不必該結(jié)點(diǎn)的任何后代上考慮它（步驟13）。
7、遞歸劃分步驟僅當(dāng)下列條件之一成立停止：
(a) 給定結(jié)點(diǎn)的所有樣本屬于同一類（步驟2 和3）。
(b) 沒有剩余屬性可以用來進(jìn)一步劃分樣本（步驟4）。在此情況下，使用多數(shù)表決（步驟5）。
8、這涉及將給定的結(jié)點(diǎn)轉(zhuǎn)換成樹葉，并用樣本中的多數(shù)所在的類標(biāo)記它。替換地，可以存放結(jié)
9、點(diǎn)樣本的類分布。
(c) 分枝
test_attribute=ai沒有樣本（步驟11）。在這種情況下，以samples中的多數(shù)類創(chuàng)建一個(gè)樹葉（步驟12）
3.1 其他算法：
C4.5: Quinlan
Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)
共同點(diǎn)：都是貪心算法，自上而下(Top-down approach)
區(qū)別：屬性選擇度量方法不同： C4.5 （gain ratio), CART(gini index), ID3 (Information Gain)
3.2 如何處理連續(xù)性變量的屬性？
樹剪枝葉 （避免overfitting)
4.1 先剪枝
4.2 后剪枝決策樹的優(yōu)點(diǎn)：
直觀，便于理解，小規(guī)模數(shù)據(jù)集有效決策樹的缺點(diǎn)：
處理連續(xù)變量不好
類別較多時(shí)，錯(cuò)誤增加的比較快
可規(guī)模性一般（
