决策树。选择分割对象的阈值答案

【问题标题】：Decision trees. Choosing thresholds to split objects决策树。选择分割对象的阈值
【发布时间】：2018-01-12 18:55:14
【问题描述】：

如果我对this 的理解正确，则会显示一组对象（它们是特征数组），我们需要将其拆分为 2 个子集。为此，我们将某些特征 x_j 与阈值 t_m 进行比较（t_m 是 m 节点处的阈值）。我们使用杂质函数 H() 来找到分割对象的最佳方法。但是我们如何选择 t_m 的值以及应该将哪个特征与阈值进行比较？我的意思是，有无数种方法可以选择 t_m，所以我们不能只为每种可能性计算 H() 函数。

【问题讨论】：

标签： machine-learning decision-tree

【解决方案1】：

在这些slides的第18页中，介绍了两种方法来选择数值属性X的分裂阈值。

方法一：

将数据按照 X 排序为 {x_1, ..., x_m}
考虑 x_i + (x_{i+1} - x_i)/2 形式的分割点

方法二：

假设 X 是一个实值变量

将 IG(Y|X:t) 定义为 H(Y) - H(Y|X:t)
定义 H(Y|X:t) = H(Y|X = t) P(X >= t)
- IG(Y|X:t) 是预测 Y 的信息增益知道 X 是大于还是小于 t
然后定义 IG^*(Y|X) = max_t IG(Y|X:t)
对于每个实值属性，使用 IG*(Y|X) 来评估其作为拆分的适用性

注意，可以多次拆分一个属性，具有不同的阈值

【讨论】：

在方法2中：t的定义是什么？在方法2中设置t值范围的常用方法是什么？方法 1 似乎提供了 OP 问题的答案，而方法 2 中的解释似乎并不完整。

【解决方案2】：

选择 t_m 的方法并不多。给定一个合理的阈值范围，一个简单的实现可能会对其进行迭代，评估 H() 和将导致最佳分割的特征分割，因为将为决策树中的分割选择杂质度量。

【讨论】：

如何估算一个“合理的范围”？