决策树和决策规则
了消息 ui 发生前的不确定性:
I (ui )
log
1 P(ui )
log
P(ui )
– 信源熵
• 定义:信源各个离散消息的自信息量的数学期望(即概 率加权的统计平均值)为信源的平均信息量,一般称为 信源的信息熵,也叫信源熵或香农熵,有时也称为无条 件熵或熵函数,简称熵。
• 公式:
H (X )
• 数据分类的两个步骤:
– 第1步:建立一个模型,描述给定的数据类集或概念集(简称训练集)
学习
训练数据
分类算法
分类规则
– 第2步:使用模型对数据进行分类。包括评估模型的分类准确性以及对类
标号未知的元组按模型进行分类
模型评估
新数据分类
分类规则
测试数据
待分类数据
7.1 信息论基础
• 信息论是C.E.Shannon四十年代末期,以客观概率 信息为研究对象,从通信的信息传输问题中总结和 开拓出来的理论。主要研究的问题 :
7.2 ID3算法(续)
• ID3算法思想:
1. 任意选取一个属性作为决策树的根结点,然后就这个属性所有的 取值创建树的分支;
2. 用这棵树来对训练数据集进行分类,如果一个叶结点的所有实例 都属于同一类,则以该类为标记标识此叶结点;如果所有的叶结 点都有类标记,则算法终止;
3. 否则,选取一个从该结点到根路径中没有出现过的属性为标记标 识该结点,然后就这个属性所有的取值继续创建树的分支;重复 算法步骤step 2
概率空间。表示:[X,P]
• 在离散情况下:
U P(u)
u1,
P(u1
)
,
u2 ,, P(u2 ),,
uq P(uq )
其中,P(ui)为选择符号 ui作为消息的概率,称为先验概率
• 后验概率:条件概率P(ui | v j )—接收端收到消息
(符号) v后j 而发送端发的是 的ui概率。 • 自信息:消息 ui 发生后所含有的信息量,反映
类1 属性3 假
类2 属性3 属性3 属性3
真假
真
类2
类1
类1 类1
属性2
70~79 80~89 90~99
属性3 属性3 属性3
真假 真
假
类2 类1 类2
类1
7.2 ID3算法(续)
属性2 90~99
60~69 70~79 80~89
属性1
B
属性3 真
属性1
A
B
类1 类1
属性1
C
A
C
属性3 属性3
H (U
|vj)
E[I (ui
| vj )] E[log2
1
n
]
பைடு நூலகம்
p(ui | v j )
i1
p(ui
| v j ) log2
p(ui
| vj )
• 条件熵:对后验熵在输出符号集V中求期望
n
n
H (U |V ) E[H (U | v j )] p(v j ) p(ui | v j ) log 2 p(ui | v j )
真
假
属性1
属性3 A B
假
真
属性3 真
C
属性3 属性3
真
假
类2
类2 类1 类2 类2 类1 类1
类1
7.2 ID3算法(续)
• 表7-1的ID3算法实例计算:
1)计算信息熵H(C)
n
H (C) p(Ci ) log2 p(Ci )
i 1
类别Ci出现概率P(Ci)=|Ci|/|X|,|Ci|为类别Ci的样本数,|X|为总的样本数
第7章
决策树和决策规则
本章目标
– 分析解决分类问题的基于逻辑的方法的特性 – 信息论基础 – ID3算法 – 了解何时以及怎样用修剪方法降低决策树和复杂度 – 总结用决策树和决策规则表示一个分类模型的局限性
• 什么是分类?
– 数据分类(data classfication)是数据挖掘的主要内容之一,主要是通 过分析训练数据样本,产生关于类别的精确描述。这种类别通常由分类 规则组成,可以用来对未来的数据进行分类和预测。
I(U,V ) H(U) H(U |V )
7.2 ID3算法
• 决策树(Decision Tree)方法:
– 决策树方法的起源是概念学习系统CLS,然后发展到由Quiulan研制 ID3方法,然后到著名的C4.5算法,C4.5算法的一个优点是它能够处 理连续属性。
– 决策树又称为判定树,是运用于分类的一种树结构。其中的每个内 部结点代表对某个属性的一次测试,每条边代表一个测试结果,叶 结点代表某个类或者类的分布,最上面的结点是根结点。
消息
信源
信道
信宿
(发信者)
(收信者)
干扰或 噪声
通信系统框图
• 在通信系统中形式上传输的是消息,但实质 上传输的是信息
信源数学模型
• 样本空间:某事物各种可能出现的不同状态,即所有可能 选择的消息的集合。
• 对于离散消息的集合,概率测度是对每一个可能选择的消 息指定一个概率。一个样本空间和它的概率测度称为一个
–信源的描述,信息的定量度量、分析与计算 –信道的描述,信道传输的定量度量、分析与计算。 –信源、信道与通信系统之间的统计匹配,以及通信系统
的优化 —Shannon的三个编码定理。
• 信息论诞生五十年来,至今,仍然是指导通信技术 发展的理论基础,是创新通信体制的源泉 。
香农信息(概率信息)
• 信息是事物运动状态或存在方式的不确定性 的描述。
j 1
i 1
称为信道疑义度。表示在输出端收到全部输出符号V后,对于
输入端的符号集U尚存有不确定性(有疑义),这是由于存在
干扰(噪声)引起的。
H(U|V)<H(U),表明接收到符号集V的所有符号后,关于输入 符号U的平均不确定性减少了。
• 互信息:先验的不确定性减去收到输出符号 集V后尚存在的不确定性,表示收信者获得的 信息量,也称信息增益
– 显然,不同的属性选取顺序将生成不同的决策树。因此,适当地 选取属性将生成一棵简单的决策树。在ID3算法中,采用了一种基 于信息的启发式的方法来决定如何选取属性。启发式方法选取具 有最高信息增益的属性,也就是说,生成最少分支决策树的那个 属性。
7.2 ID3算法(续)
属性1 A
B
属性2
属性2
70~7980~89 90~99 60~6970~7990~99
E[I (xi )]
E[log 2
1
n
]
p(xi )
i 1
p(xi ) log 2
p(xi )
• 熵函数的自变量是X,表示信源整体,实质上是无记忆信 源平均不确定性的度量。
• 单位:以2为底,比特/符号
互信息
• 后验熵:当接收到输出符号V=vj后,信源的平
均不确定性,即输入符号U的信息度量