正规app软件开发报价_长春火车站疫情防控最新政策_雅虎搜索引擎中文版_seo短视频

$L_{\alpha}(T) = \sum_{t=1}^{|T|} N_t H_t(T) + \alpha |T|$

这是决策树的损失函数，它由两部分组成：

$\sum_{t=1}^{|T|} N_t H_t(T)$ - 这一部分衡量了整个决策树的分类效果，通过每个叶节点的经验熵来评估。公式的含义如下：
- $H_t(T)$ 是决策树 $T$ 中第 $t$ 个叶节点的经验熵（也称作分类不纯度）。经验熵是衡量某个叶节点上数据混乱程度的一个指标。举例来说，如果一个叶节点上的所有数据样本都属于同一类，则该节点的经验熵为 0，表示该节点非常纯。反之，如果该节点上的数据样本均匀分布在多个类别上，则经验熵较高，表示该节点不纯。
- $N_t$ 是第 $t$ 个叶节点的样本数量。为了评估树的整体分类效果，我们对每个叶节点的经验熵进行加权，权重就是该叶节点上的样本数量 $N_t$ 。因此，包含大量数据的叶节点对总损失的影响更大。
$\alpha |T|$ - 这一部分是正则化项，用于控制树的复杂度：
- $∣ T ∣$ 是树的叶节点数。叶节点越多，意味着树的分割越多，模型的复杂度越高。
- $\alpha$ 是正则化参数，它用来控制叶节点数带来的复杂度惩罚。如果 $\alpha$ 值较小，则模型会允许更多的叶节点（树更复杂），如果 $\alpha$ 值较大，模型则会倾向于保持较少的叶节点（树更简单）。

通过调整这个损失函数，算法的目标是找到一棵在经验熵和树的复杂度之间取得平衡的树。

假设我们有一组数据用来分类，决策树的某个结构如下图所示（假设已经生成了一棵树）：

       根节点/      \节点1     节点2/   \      /   \
叶1   叶2   叶3   叶4

假设决策树共有 4 个叶节点： $\text{叶1}, \text{叶2}, \text{叶3}, \text{叶4}$ ，所以 $∣ T ∣ = 4$ 。
每个叶节点包含的样本数量分别为 $N_1 = 30$ , $N_2 = 20$ , $N_3 = 25$ , $N_4 = 25$ 。
每个叶节点的经验熵分别为 $H_1(T) = 0.3$ , $H_2(T) = 0.1$ , $H_3(T) = 0.2$ , $H_4(T) = 0.4$ 。
设正则化参数 $\alpha = 0.01$ 。

首先，计算加权经验熵之和：
$\sum_{t=1}^{|T|} N_t H_t(T) = N_1 H_1(T) + N_2 H_2(T) + N_3 H_3(T) + N_4 H_4(T)$

代入已知数据：
$\sum_{t=1}^{4} N_t H_t(T) = 30 \times 0.3 + 20 \times 0.1 + 25 \times 0.2 + 25 \times 0.4 = 9 + 2 + 5 + 10 = 26$

接着，计算复杂度惩罚项：
$\alpha |T| = 0.01 \times 4 = 0.04$

将这两部分加在一起得到总的损失：
$L_{\alpha}(T) = 26 + 0.04 = 26.04$

通过调节 $\alpha$ 的值，可以控制树的复杂度。较小的 $\alpha$ 会让树倾向于复杂的结构，而较大的 $\alpha$ 则会使得树倾向于保持简单的结构，以避免过拟合。

这个公式帮助我们在训练决策树时，不仅关注分类的准确性，还通过正则化项控制树的复杂度，确保生成的模型具有良好的泛化能力，而不会过度复杂导致过拟合。

最新新闻