机器学习-有监督算法-决策树和支持向量机

目录

决策树

  1. 训练:构造树,测试:从模型从上往下走一遍。
  2. 建树方法:ID3,C4.5,CART

ID3

  • 以信息论为基础,以信息增益为衡量标准
  • 熵越小,混乱程度越小,不确定性越小
  • 信息熵:
    H ( D ) = − ∑ i = 1 n P ( D i ) log ⁡ 2 P ( D i ) H(D) = -\sum_{i=1}^{n} P(D_i) \log_{2} P(D_i) H(D)=−i=1∑nP(Di)log2P(Di)
  • 条件熵:
    H ( D ∣ A ) = − ∑ i = 1 n ∣ D i ∣ ∣ D ∣ log ⁡ 2 ( ∣ D i ∣ ∣ D ∣ ) H(D|A) = -\sum_{i=1}^{n} \frac{|D_i|}{|D|} \log_{2} \left(\frac{|D_i|}{|D|}\right) H(D∣A)=−i=1∑n∣D∣∣Di∣log2(∣D∣∣Di∣)
  • 信息增益:
    G ( D , A ) = H ( D ) − H ( D ∣ A ) G(D,A) = H(D) - H(D|A) G(D,A)=H(D)−H(D∣A)
  • 步骤
    • 求特征对最后结果的信息熵,条件熵,和最后的信息增益
    • 选择信息增益最大的作为当前决策节点
    • 删除上一步使用的特征,用特征值划分不同的数据集合
    • 重复2,3步

C4.5

  • ID3算法的改进
  • 利用信息增益率:
    G R ( D , A ) = G ( D , A ) H ( D ) G_R(D,A) = \frac{G(D,A)}{H(D)} GR(D,A)=H(D)G(D,A)
  • 预剪枝:边建树边剪枝,限制深度、叶子节点个数、叶子结点样本数、信息增益率
  • 后剪枝:建完树剪枝。用叶子节点替换非叶子节点,然后判断错误率是保持还是下降

CART

  • 分类树利用基尼指数来进行分类,分类树最后叶子节点众数作为结果。
  • 回归树利用方差来进行分类,利用特征划分成子集后,各自自己方差要最小,总体方差和也要最小。回归树用最后的均值或中位数作为结果。

支持向量积

  • 解决问题:什么样的分类结果最好
  • 监督学习、分类算法
  • 距离定义,决策面,优化目标
  • 拉格朗日乘子法
  • 软间隔
  • 核变换
相关推荐
森焱森几秒前
60 美元玩转 Li-Fi —— 开源 OpenVLC 平台入门(附 BeagleBone Black 驱动简单解析)
c语言·单片机·算法·架构·开源
课堂剪切板1 小时前
ch07 题解
算法·深度优先
科大饭桶2 小时前
数据结构自学Day5--链表知识总结
数据结构·算法·leetcode·链表·c
ydl11284 小时前
机器学习基础知识【 激活函数、损失函数、优化器、 正则化、调度器、指标函数】
python·机器学习
我爱C编程4 小时前
基于Qlearning强化学习的1DoF机械臂运动控制系统matlab仿真
算法
chao_7894 小时前
CSS表达式——下篇【selenium】
css·python·selenium·算法
chao_7895 小时前
Selenium 自动化实战技巧【selenium】
自动化测试·selenium·算法·自动化
YuTaoShao5 小时前
【LeetCode 热题 100】24. 两两交换链表中的节点——(解法一)迭代+哨兵
java·算法·leetcode·链表
怀旧,5 小时前
【数据结构】8. 二叉树
c语言·数据结构·算法
泛舟起晶浪5 小时前
相对成功与相对失败--dp
算法·动态规划·图论