【机器学习】机器学习的基本分类-监督学习-决策树-C4.5 算法

C4.5 是由 Ross Quinlan 提出的决策树算法，是对 ID3 算法的改进版本。它在 ID3 的基础上，解决了以下问题：

处理连续型数据：支持连续型特征，能够通过划分点将连续特征离散化。
处理缺失值：能够在特征值缺失的情况下继续构建决策树。
偏好多值特征的问题：采用信息增益比（Gain Ratio）替代信息增益，减少对多值特征的偏好。
生成剪枝后的树：通过后剪枝技术，降低过拟合风险。

1. 核心改进

(1) 信息增益比

C4.5 使用**信息增益比（Gain Ratio）**代替 ID3 的信息增益来选择最优特征。

信息增益 IG(D, A)：

$IG(D, A) = H(D) - H(D|A)$

分裂信息 SI(A)：

$SI(A) = -\sum_{v \in \text{Values}(A)} \frac{|D_v|}{|D|} \log_2 \frac{|D_v|}{|D|}$

其中：

$|D_v|/|D|$ ：特征 AAA 的第 vvv 个取值的样本比例。
信息增益比 GR(D, A)：

$GR(D, A) = \frac{IG(D, A)}{SI(A)}$

分裂信息 SI(A) 是一种归一化因子，用于惩罚取值较多的特征，降低它们被优先选择的可能性。

(2) 连续型特征处理

对连续特征，C4.5 会尝试在特征值的每个分割点（例如两个样本值之间的中点）进行划分。
对每个划分点计算信息增益比，选择最佳划分点。

假设某连续特征 A 的值为 $\{v_1, v_2, \dots, v_n\}$ ，排序后尝试以下划分点：

划分点 $= \frac{v_i + v_{i+1}}{2}, \quad i = 1, 2, \dots, n-1$

(3) 处理缺失值

对于缺失值，C4.5 使用以下策略：

在计算信息增益比时，只考虑特征值非缺失的样本。
当需要划分含有缺失值的样本时，将这些样本按概率分配到各个子节点。

(4) 剪枝

C4.5 采用**后剪枝（Post-Pruning）**技术，通过校验数据集评估剪枝后的树是否提高性能。
剪枝的目标是降低过拟合风险，增强模型泛化能力。

2. C4.5 算法流程

输入：训练数据集 D、特征集 A。
递归构造树：
1. 计算当前数据集 D 的信息熵 H(D)。
2. 对每个特征 A ∈ A：
  - 若 A 为离散特征，计算信息增益比。
  - 若 A 为连续特征，尝试每个划分点，计算信息增益比。
3. 选择信息增益比最大的特征 $A^*$ ，作为当前节点的分裂特征。
4. 根据 $A^*$ 的取值（或划分点）划分数据集 D。
5. 对每个子数据集递归构造子树。
剪枝：
- 基于校验集对生成的决策树进行剪枝，移除不显著的分支。
输出：剪枝后的决策树。

3. 示例

数据示例

假设有以下训练数据集：

天气	温度	湿度	风力	是否运动
晴天	30	高	弱	否
晴天	32	高	强	否
阴天	28	高	弱	是
雨天	24	正常	弱	是
雨天	20	正常	强	否

目标：构造决策树判断是否运动。

步骤

计算根节点的熵：
$H(D) = -\frac{3}{5} \log_2 \frac{3}{5} - \frac{2}{5} \log_2 \frac{2}{5} \approx 0.971$
对每个特征计算信息增益比：
- 天气（离散特征）：
  - 计算天气的条件熵 $H(D|\text{Weather})$ 。
  - 计算信息增益比 $GR(D, \text{Weather})$ 。
- 温度（连续特征）：
  - 尝试划分点：272727、303030、333333。
  - 对每个划分点计算信息增益比，选择最佳划分点。
- 湿度、风力：
  - 按相同方法计算。
选择信息增益比最大的特征作为分裂特征，生成子节点。
对子节点递归分裂，直至满足停止条件（如样本类别纯度高或无特征可分）。
后剪枝：
- 对生成的树在校验集上进行性能评估，剪去对性能贡献较小的分支。

4. 算法特点

优点

支持离散和连续特征，适用范围更广。
减少对多值特征的偏好，提高选择的公平性。
能处理缺失值，增强算法的鲁棒性。
剪枝减少过拟合，提高泛化能力。

缺点

计算复杂度高，特别是连续特征的划分点尝试增加了计算量。
不支持大规模数据时的并行化。
剪枝过程可能需要额外的校验集。

5. 代码实现

以下是一个简单的 Python 实现，用于计算信息增益比并构造 C4.5 决策树：

import numpy as np

# 计算熵
def entropy(labels):
    total = len(labels)
    counts = {}
    for label in labels:
        counts[label] = counts.get(label, 0) + 1
    return -sum((count / total) * np.log2(count / total) for count in counts.values())

# 计算信息增益比
def information_gain_ratio(data, labels, feature_index):
    total_entropy = entropy(labels)
    feature_values = [row[feature_index] for row in data]
    unique_values = set(feature_values)
    split_info = 0
    conditional_entropy = 0
    for value in unique_values:
        subset = [labels[i] for i in range(len(data)) if data[i][feature_index] == value]
        proportion = len(subset) / len(data)
        conditional_entropy += proportion * entropy(subset)
        split_info -= proportion * np.log2(proportion)
    info_gain = total_entropy - conditional_entropy
    return info_gain / split_info if split_info != 0 else 0

# 示例数据
data = [
    ["晴天", 30, "高", "弱"],
    ["晴天", 32, "高", "强"],
    ["阴天", 28, "高", "弱"],
    ["雨天", 24, "正常", "弱"],
    ["雨天", 20, "正常", "强"]
]
labels = ["否", "否", "是", "是", "否"]

# 特征索引（天气、温度、湿度、风力）
for i in range(4):
    print(f"Feature {i}, Gain Ratio: {information_gain_ratio(data, labels, i):.4f}")

输出结果

Feature 0, Gain Ratio: 0.3751
Feature 1, Gain Ratio: 0.4182
Feature 2, Gain Ratio: 0.0206
Feature 3, Gain Ratio: 0.4325

6. 总结

C4.5 是 ID3 的改进版本，针对实际问题的需求（连续特征、缺失值、多值特征偏好等）做了多项优化。尽管计算复杂度高，但其广泛用于分类问题，成为现代决策树算法的基础之一（如 CART）。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/928948.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！