决策树
- 从根节点的所有示例开始
- 计算所有可能特征的分割信息增益,并选择信息增益最高的特征
- 根据所选特征分割数据集,并创建树的左分支和右分支
- 不断重复分割过程,直到满足停止条件
信息增益
也可以理解为信息熵的减少
p p p是结果为positive的概率
Information Gain = H ( p 1 node ) − ( w left H ( p 1 left ) + w right H ( p 1 right ) ) , \text{Information Gain} = H(p_1^\text{node})- \left(w^{\text{left}}H\left(p_1^\text{left}\right) + w^{\text{right}}H\left(p_1^\text{right}\right)\right), Information Gain=H(p1node)−(wleftH(p1left)+wrightH(p1right)),
划分依据
信息熵
与逻辑回归的SparseCategoricalCrossentropy函数定义一致
H ( p 1 ) = − p 1 log 2 ( p 1 ) − ( 1 − p 1 ) log 2 ( 1 − p 1 ) H(p_1) = -p_1 \text{log}_2(p_1) - (1- p_1) \text{log}_2(1- p_1) H(p1)=−p1log2(p1)−(1−p1)log2(1−p1)
基尼指数
多标签分类
- 一次性编码:将多个标签的分类划分为多个0-1变量
- 不进行操作,决策树也能运行:只需要更改信息熵计算公式即可!
回归树
树划分的标准为:
max : v a r r o o t − ( w l e f t ∗ v a r l e f t + w r i g h t ∗ v a r r i g h t ) \max :var_{root}-\left(w_{left}*var_{left}+w_{right}*var_{right}\right) max:varroot−(wleft∗varleft+wright∗varright)
输出的结果为数据集的均值
随机森林
随机森林每次从n个样本中抽取 n \sqrt{n} n 个特征作为划分的标准,可以避免形成对于特定特征局部一致的决策树
决策树模型中的所有超参数也将存在于此算法中,因为随机森林是许多决策树的集合。
-
随机森林的另一个超参数称为 n_estimators,它是组成随机森林的决策树的数量。
请记住,对于随机森林,我们随机选择特征子集并随机选择训练示例子集来训练每棵树。
-
按照讲座,如果n是特征数量,我们将随机选择 n \sqrt{n} n 这些特征来训练每棵树。请注意,您可以通过设置 max_features 参数来修改它。
-
您还可以使用另一个参数 n_jobs 加快训练作业的速度。
由于每棵树的拟合彼此独立,因此可以并行拟合多棵树。
因此,将 n_jobs 设置得更高将增加其使用的 CPU 核心数。
python
model=RandomForestClassifier(min_samples_split=min_samples).fit(X_train,Y_train)
y_train=model.predict(X_train)
y_cv=model.predict(X_cv)
accuracy_train=accuracy_score(y_train,Y_train)
accuracy_cv=accuracy_score(y_cv,Y_cv)
accuracy_list_train.append(accuracy_train)
accuracy_list_cv.append(accuracy_cv)
XGBOOST
核心思想:刻意 挑选哪些训练效果不好(分类或者预测效果差)的样本用于训练决策树
梯度提升模型,称为 XGBoost。提升方法训练多棵树,但它们彼此之间不再互不相关,而是一棵树接一棵树地拟合,以最小化误差。
该模型具有与决策树相同的参数,加上学习率。
学习率是梯度下降法的步骤大小,XGBoost 在内部使用该方法来最小化每个训练步骤中的误差。
XGBoost 的一个有趣之处在于,在拟合过程中,它可以采用形式为 (X_val,y_val) 的评估数据集。
在每次迭代中,它都会测量评估数据集上的成本(或评估指标)。
一旦成本(或指标)在一定轮次(称为 early_stopping_rounds)内停止下降,训练就会停止。
迭代次数越多,估计量就越多,而估计量越多,则会导致过度拟合。
python
from xgboost import callback
early_stopping = callback.EarlyStopping(rounds=20, save_best=True, maximize=False)
#%%
xgb_model=XGBClassifier(n_estimators=500,learning_rate=0.1)
xgb_model.fit(X_train,Y_train,eval_set=[(X_cv,Y_cv)])
剪枝
预剪枝
采用贪心策略,划分时分别计算划分前后的验证集的准确度,决定是否划分特征
不一定有更好的泛化性能
后剪枝
建立完整个决策树后才剪枝,一般泛化性能更强,但是时间开销更大
连续与缺失
连续值-二分法
设定一个阈值,用于划分左右子树,该阈值使得信息增益最大化。
缺失值处理
决策树可以很好的处理数据有缺失值的情况,基本的原理就是给每一个数据加权重,划分时将缺失数据全部加入到所有类别的子集中,修改权重
公式如下:
更新日记
- 8.9:更新了周志华机器学习一书中第四章的部分内容。