machine-learning - 连续数据决策树中寻找阈值的方法

Question

我在Weka中使用决策树，并且我有一些连续数据，所以当我使用Weka时，它会自动为我找到阈值，但由于某种原因我想自己实现决策树，所以我需要知道使用什么方法找到离散化连续数据的阈值？

Answer 1

ID3和 C4.5使用entropy连续数据离散化的启发式。该方法为每个变量(特征)找到一个二元切割。您可以递归地应用相同的方法从连续数据中获取多个间隔。

假设在某个树节点，所有实例都属于一组S，并且您正在处理变量A和特定边界(切割) T，由T引起的分区的类信息熵，表示为E(A,T,S)，由下式给出:

             |S1|                 |S2|
E(A, T, S) = ---- Entropy(S1) +   ---- Entropy(S2)
              |S|                 |S|

其中 |S1| 是第一个分区中的实例数； |S2| 是第二个分区中的实例数； |S| = |S1|+|S2|.

对于给定的特征A，选择最小化所有可能分区边界上的熵函数的边界T_min作为二元离散化边界。

例如，您可能有一个变量Length，所有可能的值为:

Length = {2.1, 2.8, 3.5, 8.0, 10.0, 20.0, 50.0, 51.0}

那么你的T可能是:

T = {2.1, 2.8, 3.5, 8.0, 10.0, 20.0, 50.0, 51.0}

您可以在其中剪切每个可能的Length值。您还可以在相邻Length值的每个中间点进行切割，例如，

T = {2.45, 3.15, 5.75, 9.0, 15.0, 35.0, 50.5}

在离散化时，您将迭代所有可能的 T 值，并评估哪一个获得最小 E(A, T, S)。就是这样。

查看更多详细信息 paper ，其中还描述了其他可选方法:

• ChiMerge 离散化方法。
• 基于学习矢量量化 (LVQ) 的方法
• 基于直方图的方法。