Decision Tree 1: Basis 决策树基础

 介绍

我们有一些历史数据：

record id\attributes	A	B	C	Result
1	a1	b1	c1	Good
2	a2	b2	c1	Bad
3	a1	b3	c2	Good

 

根据这些数据，我们想回答：

If we got a record 4, that is 'a1,b1,c2',  is record4 Good or Bad?

 

解决方法

我们要分别考量record4的三个属性的先验(Priori)结果。那首先考虑属性C吧。

　　　　　　　　　　C

　　/　　　　　　　　　　　　　　　\

　　c1(Subset1: Good-1, Bad-1)　　　　　　c2(Subset2: Good-1, Bad-0)　

 

由Record4 C==c1，那么record4 属于subset1情况，但是subset1依然是50%对50%, 那么再考量A.

　　　　　　　　　　A

/　　　　　　　　　　　　　　　　　　\

a1(Subset3: Good-2, Bad-0) 　　　　a2(Subset4: Good-0, Bad-1)

由Record4 A==a1，那么record4 属于subset3情况, 那么record4很可能是Good.

 

完整的decision tree是：

　　　　　　　　　　　　　　C

　　　　　　/　　　　　　　　　　　　　　　\

　　　　　　c1(Subset1: Good-1, Bad-1)　　　　　　c2(Subset2: Good-1, Bad-0)　

　　　　　　　　　　A

/　　　　　　　　　　　　　　　　　　\

a1(Subset3: Good-2, Bad-0) 　　　　a2(Subset4: Good-0, Bad-1)

 

思考

1. Pure subset: Subset2,3,4，他们只包含单一的结果。当所有叶子为pure subset, 分类结束。

2. Attributes order: 我们也可以先考量A、B, 那么是先考量C好还是先考量A、B好呢。简单来说，我们喜欢pure subset，因为pure subset的不确定性小，如果不能得到pure subset，也要接近它。Entropy(-pLOGp)是一个衡量不确定性的量，Entropy越大，一个系统的不确定性越高。那么通过计算一个attribute split代来的Entropy减少，我们衡量这个split的优劣，即Information Gain。一个好的split应该尽量减小entropy.

　　　　Information Gain =  H_old - Sum(pi*Hi)

 

总结

通过Information Gain 来排列attributes。

通过每个attribute的先验概率来预测。