用是否買房為例來說明決策樹算法的使用-AI機器學習
阿新 • • 發佈：2018-05-03
人工智能 深度學習 我們以是否買房為例子給大家介紹一下決策樹算法的使用，數據集如下（僅做演示，不代表真實情況）
地段 | 近地鐵 | 面積 | 單價（萬） | 是否購買 |
三環 | 是 | 60 | 8 | 是 |
三環 | 是 | 80 | 8 | 否 |
三環 | 否 | 60 | 7 | 是 |
三環 | 否 | 80 | 7 | 否 |
五環 | 是 | 60 | 7 | 是 |
五環 | 是 | 80 | 7 | 否 |
五環 | 否 | 60 | 6 | 是 |
五環 | 否 | 80 | 6 | 是 |
六環 | 是 | 60 | 6 | 是 |
六環 | 是 | 80 | 5.5 | 是 |
六環 | 否 | 60 | 5 | 否 |
六環 | 否 | 80 | 5 | 否 |
從上表中我們可以看到，確定可以購買的數量有7個，不購買的數量有5個，共數是12個。按信息熵的計算公式我們可以得出此數據集的信息熵為：
按地段（用A1表示）劃分，三環（D1）,五環（D2）,六環（D3）,來計算信息增益
按是否近地鐵（用A2表示）劃分，是（D1）,否（D2）, 來計算信息增益
按面積（用A3表示）劃分，60平（D1），80平（D2）, 來計算信息增益
按單價劃分（用A4表示），5w(D1), 5.5w(D2), 6w(D3), 7w(D4), 8w(D5) , 來計算信息增益
通過以上結果我們可以知道，對於信息熵的降低量（就是說人們決定是否買房的決定因素的權重）由高到低分別為：單價、面積、地段、是否近地鐵。
以上算法就是決策樹算法中ID3算法所采用的邏輯。
註：數量僅作為演示用的測試數據，不代表真實決策依據。
關註微信公眾號“挨踢學霸”，獲取更多人工智能技術文章
用是否買房為例來說明決策樹算法的使用-AI機器學習