,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,决策,树,(Decision Tree),2024/11/16,1,1,、,分类的意义,数据库,了解类别属性与特征,预测,分类模型,决策树,分类模型,聚类,一、,分类,(Classification),2024/11/16,2,数据库,分类标记,性别,年龄,婚姻,否,是,否,是,Female,Male,35,35,未婚,已婚,2,、,分类,的技术,（,1,）决策,树,2024/11/16,3,（,2,）聚类,2024/11/16,4,3,、分类的程序,模型建立,(Model Building),模型评估,(Model Evaluation),使用模型,(Use Model),2024/11/16,5,决策树分类的步骤,数据库,训练样本,(training samples),建立模型,测试样本,(testing samples),评估模型,2024/11/16,6,例：,资料,训练样本,婚姻,年龄,家庭 所得,否,是,否,是,未婚,已婚,35,35,低,高,否,小康,1.,建立模型,测试样本,2.,模型评估,错误率为,66.67%,修改模型,3.,使用模型,2024/11/16,7,4,、分类算法的评估,预测的准确度：指模型正确地预测新的或先前未见过的数据的类标号的能力。,训练测试法(training-and-testing),交叉验证法(cross-validation),例如，十折交叉验证。即是将数据集分成十分，轮流将其中9份做训练1份做测试，10次的结果的均值作为对算法精度的估计，一般还需要进行屡次10倍交叉验证求均值，例如10次10倍交叉验证，更精确一点。,2024/11/16,8,速度,：指产生和使用模型的计算花费。,建模的速度、预测的速度,强壮性：指给定噪声数据或具有缺失值的数据，模型正确预测的能力。,可诠释性,：指模型的解释能力。,2024/11/16,9,决策树归纳的根本算法是贪心算法，它以自顶向下递归各个击破的方式构造决策树。,贪心算法：在每一步选择中都采取在当前状态下最好/优的选择。,在其生成过程中，分割方法即属性选择度量是关键。通过属性选择度量，选择出最好的将样本分类的属性。,根据分割方法的不同，决策树可以分为两类：基于信息论的方法（较有代表性的是ID3、C4.5算法等）和最小GINI指标方法（常用的有CART、SLIQ及SPRINT算法等）。,二、决策,树,(Decision Tree),2024/11/16,10,（一）,决策树的结构,根部节点,(root node),中间节点,(non-leaf node),(,代表测试的条件,),分支,(branches),(,代表测试的结果,),叶节点,(leaf node),(,代表分类后所获得,的分类标记,),2024/11/16,11,（二）决策树的形成,2024/11/16,12,例：,根部节点,中间节点,停止分支,？,2024/11/16,13,（三）,ID3,算法,(C4.5,C5.0),Quinlan(1979),提出，以,Shannon(1949),的信息论为依据。,ID3,算法的属性选择度量就是使用信息增益，选择最高信息增益的属性作为当前节点的测试属性。,信息论,：,若一事件有,k,种结果,，对应的概率为,P,i,。则此事件发生后所得到,的信息量,I,(,视为,Entropy),为：,I=-,(,p,1,*log,2,(,p,1,),+p,2,*log,2,(,p,2,)+,p,k,*log,2,(,p,k,),2024/11/16,14,Example 1,：,设,k,=4,p,1,=0.25,p,2,=0.25,p,3,=0.25,p,4,=0.25,I,=-(.25,*,log,2,(.25)*4)=2,Example 2,：,设,k,=4,p,1,=0,p,2,=0.5,p,3,=0,p,4,=0.5,I,=-(.5,*,log,2,(.5)*2)=1,Example 3,：,设,k,=4,p,1,=1,p,2,=0,p,3,=0,p,4,=0,I,=-(1,*,log,2,(1)=0,2024/11/16,15,信息增益,2024/11/16,16,Example(Gain),n=16,n,1,=4,I(16,4)=,(4/16)*log,2,(4/16)+(12/16)*log,2,(12/16)=0.8113,E(,年龄,)=(6/16)*I(6,1)+(10/16)*I(10,3)=0.7946,Gain(,年龄,)=I(16,4)-E(,年龄,)=0.0167,Gain(,年龄,)=0.0167,Max:,作为第一个分类依据,Gain(,性别,)=0.0972,Gain(,家庭所得,)=0.0177,2024/11/16,17,Example(,续,),Gain(,家庭所得,)=0.688,I(7,3)=-(3/7)*log,2,(3/7)+(4/7)*log,2,(4/7)=0.9852,Gain(,年龄,)=0.9852,Gain(,年龄,)=0.2222,I(9,1)=-(1/9)*log,2,(1/9)+(8/9)*log,2,(8/9)=0.5032,Gain(,家庭所得,)=0.5032,2024/11/16,18,Example(end)ID3,算法,分类规则：,IF性别=Female AND家庭所得=低所得THEN购置RV房车=否,IF性别=Female AND家庭所得=小康THEN购置RV房车=否,IF性别=Female AND家庭所得=高所得THEN购置RV房车=是,IF性别=Male AND年龄35 THEN购置RV房车=否,IF性别=Male AND年龄35 THEN购置RV房车=是,资料,Decision Tree,2024/11/16,19,（四）,Decision Tree,的建立过程,1、决策树的停止,决策树是通过递归分割(recursive partitioning)建立而成，递归分割是一种把数据分割成不同小的局部的迭代过程。,如果有以下情况发生，决策树将停止分割：,该群数据的每一笔数据都已经归类到同一类别。,该群数据已经没有方法再找到新的属性来进行节点分割。,该群数据已经没有任何尚未处理的数据。,2024/11/16,20,2,、决策树的剪枝,(pruning),决策树学习可能遭遇,模型过度,拟合,（,over fitting,）,的问题，过度拟合是指模型过度训练，导致模型记住的不是训练集的一般性，反而是训练集的局部特性。,如何处理过度拟合呢？对决策树进行修剪。,树的修剪有几种解决的方法，主要为先剪枝和后剪枝方法。,2024/11/16,21,（,1,）先剪枝方法,在先剪枝方法中，通过提前停止树的构造（例如，通过决定在给定的节点上不再分裂或划分训练样本的子集）而对树“剪枝。一旦停止，节点成为树叶。,确定阀值法：在构造树时，可将信息增益用于评估岔的优良性。如果在一个节点划分样本将导致低于预定义阀值的分裂，则给定子集的进一步划分将停止。,测试组修剪法：在使用训练组样本产生新的分岔时，就立刻使用测试组样本去测试这个分岔规则是否能够再现，如果不能，就被视作过度拟合而被修剪掉，如果能够再现，则该分岔予以保存而继续向下分岔。,2024/11/16,22,（,2,）后剪枝方法,后剪枝方法是由“完全生长的树剪去分枝。通过删除节点的分枝，剪掉叶节点。,案例数修剪是在产生完全生长的树后，根据最小案例数阀值，将案例数小于阀值的树节点剪掉。,本钱复杂性修剪法是当决策树成长完成后，演算法计算所有叶节点的总和错误率，然后计算去除某一叶节点后的总和错误率，当去除该叶节点的错误率降低或者不变时，则剪掉该节点。反之，保存。,2024/11/16,23,应用案例：在农业中的应用,2024/11/16,24,第一步：属性离散化,2024/11/16,25,第二步：概化（泛化）,2024/11/16,26,第三步：计算各属性的期望信息,=(17/30)*LOG(17/30),2)+(10/30)*LOG(10/30),2)+(3/30)*LOG(3/30),2),2024/11/16,27,计算各属性的信息增益,2024/11/16,28,第四步：决策树,2024/11/16,29,案例,2,：银行违约率,2024/11/16,30,2024/11/16,31,案例,3,对电信客户的流失率分析,数据仓库,条件属性,类别属性,客户是否流失,2024/11/16,32,案例,4,：在银行中的应用,2024/11/16,33,案例,5,：个人信用评级,个人信用评级决策树,2024/11/16,34,（五）,其他算法,C4.5,与,C5.0,算法,Gini Index,算法,CART,算法,PRISM,算法,CHAID,算法,2024/11/16,35,1,、,C4.5,与,C5.0,算法,C5.0算法则是C4.5算法的修订版，适用在处理大数据集，采用Boosting（提升）方式提高模型准确率，又称为Boosting Trees，在软件上的计算速度比较快，占用的内存资源较少。,类别属性的信息熵,2024/11/16,36,2,、,Gini Index,算法,ID3 and PRISM,适用于类别属性的分类方法。,Gini Index,能数值型属性的变量来做分类。着重解决当训练集数据量巨大，无法全部放人内存时，如何高速准确地生成更快的，更小的决策树。,2024/11/16,37,集合T包含N个类别的记录，那么其Gini指标就是,如果集合T分成两局部N1 和 N2。则此分割的Gini就是,提供最小Gini split就被选择作为分割的标准(对于每个属性都要经过所有可以的分割方法)。,Gini Index,算法,2024/11/16,38,案例：在汽车销售中的应用,2024/11/16,39,2024/11/16,40,N,N,Y,Y,Y,N,Y,Y,Y,N,N,N,2024/11/16,41,3,、,CART,算法,由Friedman等人提出，1980年以来就开始开展，是基于树结构产生分类和回归模型的过程，是一种产生二元树的技术。,CART与C4.5/C5.0算法的最大的区别是：其在每一个节点上都是采用二分法，也就是一次只能够有两个子节点，C4.5/5.0则在每一个节点上可以产生不同数量的分枝。,2024/11/16,42,构建树的步骤：,2024/11/16,43,2024/11/16,44,2024/11/16,45,