点一下关注吧！！！非常感谢！！持续更新！！！
目前已经更新到了：
- Hadoop（已更完）
- HDFS（已更完）
- MapReduce（已更完）
- Hive（已更完）
- Flume（已更完）
- Sqoop（已更完）
- Zookeeper（已更完）
- HBase（已更完）
- Redis （已更完）
- Kafka（已更完）
- Spark（已更完）
- Flink（已更完）
- ClickHouse（已更完）
- Kudu（已更完）
- Druid（已更完）
- Kylin（已更完）
- Elasticsearch（已更完）
- DataX（已更完）
- Tez（已更完）
- 数据挖掘（正在更新…）
章节内容
上节我们完成了如下的内容：
- scikit-learn 归一化
- scikit-learn 距离的惩罚
决策树模型
- 树模型是有监督学习类算法中应用广泛的一类模型，同时可应用与分类问题和回归问题，其中用于解决分类问题的树模型常被称为分类树，而用于解决回归类问题的树模型被称为回归树。
- 树模型通过递归式切割的方法来寻找最佳分类标准，进而最终形成规则。
- 其算法原理虽然简单，但模型本身使用面极广，且在分类问题和回归问题上均有良好的表现，外加使用简单，无需人为进行过多变量调整和数据预处理，同时生成规则清晰，模型本身可解释性非常强，因此在各个行业均有广泛应用。
- 决策树（Decision Tree）是一种实现分治策略的层次数据结构，它是一种有效的非参数学习方法，并可以用于分类和回归，我们主要讨论分类的决策树。
- 分类决策树模型表示一种基于特征对实例进行分类的属性结构（包括二叉树和多叉树）。
决策树由节点（Node）和有向边（Directed edge）组成，树中包含三种节点：
- 根节点（Root Node）：包含样本全集，没有入边，但有零条或多条多边。
- 内部节点（Internal Node）：对应于属性测试条件，恰有一条入边，和两条或多条出边。
- 叶节点（Leaf Node）或终节点（Terminal Node）：对应于决策结果，恰有一条入边，但没有出边。
决策树基本流程
从根节点到每个叶子节点的路径对应了一个判定测试序列，其基本流程遵循了简单且直观的“分而治之”策略。
由此，局部区域通过少数几步递归分裂确定，每个决策节点实现一个具有离散输出的属性测试函数，标记分支。
假设给定训练集输入：
在每个节点应用一个测试，并根据测试的输出确定一个分支，这一过程从跟节点开始，并递归的重复，直至到达一个叶子节点，这是，该 leaf 的值形成输出。
决策与条件概率分布
决策树可以表示为给定决策节点下类的条件概率分布，这一条件概率分布定义在特征空间的一个划分上。每个将空间划分为较小区域，在从根节点沿一条路径向下时，这些较小的区域进一步划分，并在每个区域定义一个类的概率分布就构成了一个条件概率分布。
假设 X 是表示特征的随机变量，Y 是表示类的随机变量，则条件概率分布可表示P（Y ｜ X），X 取值于给定划分条件下的区域集合，Y 取值于类的集合。各叶节点（区域）上的条件概率往往会偏向某一个类，即属于某一类的概率较大。
决策树在分类时会将该节点的实例强行分到条件概率大的那一类去。
左图表示了特征空间的一个划分，假定现在只有 W10 和 W20 两个决策点，特征空间被决策点沿轴划分，并且相继划分相互正交，每个小矩形表示一个区域，特征空间上的区域构成了集合，X 取值为区域的集合。
我们在这里只假设两类，即 Y 的取值为 方块、圆圈。当某个区域 C 的条件概率分布满足 P（Y=圆圈｜X=C）> 0.5 时，则认为这个区域属于圆圈类，即落在这个区域的实例都被视为该类。
右图为对应于概率分布的决策树，如果输入维是 Xn 是离散的，取 N 个可能的值之一，则该决策节点检查 Xn 的值，并取相应分支，实现一个 n 路划分。因此，如果决策节点具有离散分支，数值输入应当离散化。
学习算法
决策树学习本质上从训练数据集中归纳出一组分类规则，也称为“树归纳”。
- 对于给定的训练数据集，存在许多对它无错编码的树。而为了简单起见，我们感兴趣的是从中选出“最小”的树，这里的树的大小用树的节点数和决策节点的复杂性度量。
- 从另一个角度看，决策树学习是由训练数据集估计条件概率模型，基于特征空间划分的类的条件概率模型有无数个，我们选择的模型应该是不仅能对训练数据有很好的拟合，而且对未知数据也有很好的预测。
- 树的学习算法从包含全部训练数据开始，每一步都是最佳划分。依赖于所选择的属性是值属性还是离散属性，每次将数据划分为两个或者 N 个子集，然后使用对应的子集递归进行划分，直到所有训练数据子集被基本正确分类，或者没有合适的特征为止。
- 此时，创建一个树叶节点并标记它，这就生成了一颗决策树。
综上，决策树学习算法包括特征选择、决策树的生成与决策树的剪枝。
由于决策树表示一个条件概率的分布，所以深浅不同的决策树对应着不同的复杂度的概率模型，其中决策树的生成只考虑局部最优，相对的，决策树的剪枝则考虑全局最优。
香农熵的计算
决策树学习的关键在如何选择最优划分属性，一般而言，随着划分过程不断进行，我们希望决策树的分支节点所包含的样本尽可能属于同一类别，即节点纯度（purity）越来越高。在分类树中，划分的优劣用不纯度度量（impurity-measure）定量分析。
在信息论与概率统计中，熵是表示随机变量不确定性的度量。这里我们使用的熵，也叫做香农熵，这个名字来源信息论之父克劳德·香农。
为了计算熵，我们需要计算所有类别所有可能值包含的信息期望值（数学期望），即上述公式。对于二分类问题，如果 p1=1 而 p2 = 0，则出油的实例都属于 Ci 类。
如果 p1 = p2 = 0.5，熵为 1。
但是，熵并非是唯一可能的度量。
这些都可以推广到 K > 2 类，并且给定损失函数，误分类误差可以推广到最小风险。
下图显示了二元分类问题不纯性度量值的比较，p 表示属于其中一个类的记录所占的比例。从图中可以看出，三种方法都在类分布均衡时（即当 p=0.5 时）达到最大值，而当所有记录都属于同一个类时（p=1 或 p=0）达到最小值。
这里给出三种不纯性度量方法的计算实例：
从上面的例子及图中可以看出，不同的不纯性度量是一致的。根据计算，节点 N1 具有最低的不纯性度量值，然后依次是 N2、N3。虽然结果是一致的，但是作为测试条件的属性选择仍然因不纯性度量的选择而异。
香农熵的代码实现
row_data = {'是否陪伴' :[0,0,0,1,1],'是否玩游戏':[1,1,0,1,1],'渣男' :['是','是','不是','不是','不是']
}dataSet = pd.DataFrame(row_data)
dataSet
执行结果如下图所示：
通过代码实现一下：
def calEnt(dataSet):# 数据集总行数n = dataSet.shape[0]# 标签的所有类别iset = dataSet.iloc[:,-1].value_counts() # 每一类标签所占比p = iset/n# 计算信息熵ent = (-p*np.log2(p)).sum() return entcalEnt(dataSet)
运行的结果如下图所示：
熵越高，信息的不纯度就越高，则混合的数据就越多。
也就是说，单从判断的结果来看，如果你从这 5 个人中瞎猜，要准确判断其中一个人是不是“bad boy”是不容易的。