特征重要性判断（一）----决策树_决策树特征重要性

一、决策树的基本框架

• 决策树是一类基本的机器学习算法。它是基于树状结构来进行决策，从上到下依次进行判断，最终得到模型的决策。
• 一般的，一棵决策树包含一个根节点、若干个内部节点和若干个叶子节点；叶子节点对应决策结果，其他每个节点则对应一个属性测试；每个节点包含的样本集合根据属性测试的结果被划分到子节点中；根节点包含样本全集。从根节点到每个叶子节点的路径对应了一个判断测试序列。
• 决策树的生成是一个递归过程。在决策树的算法中，如果出现下述三种情形之一，会终止继续划分，返回递归结果：1、当前节点包含的样本都是同一类别；2、当前节点能够划分的属性集合为空，或者节点中的样本在属性上的取值相同；3、当前节点不包含任何样本。
• 决策算法的关键或不同在于：如何选择最优的划分属性。一般来说，随着决策树划分过程的不断进行，我们希望决策树的分支节点所包含的样本尽可能是同一类别。

二、基于信息增益的划分

• “熵”（Entropy）是度量样本集合纯度（purity）最常用的一种指标。假定当前样本集合$D$中第$k$类样本所占的比例为$p_k(k=1,2,....|Y|)$，则样本集D的熵可以定义为：$Entropy(D)=-\sum _{k=1}^{|Y|}{p}_{k}lo{g}_2{p}_k$；$Entropy(D)$的值越小，表示D的纯度越高。
• 假定离散属性$a$有$V$个可能的取值$a^1,a^2,...,$