无需登录 数据私有 本地保存

ID3 决策树学习演示 - 信息增益构建树

11
0
0
0
0 1 2 3 4 5
步骤 0：查看完整数据集

以下是经典的"天气-打球"数据集，共14条记录。目标变量为"是否打球"。

#天气温度湿度风是否打球
信息增益计算
总熵 H(S) = ? （点击"下一步"开始计算）
决策树可视化
点击"下一步"开始构建决策树
根节点 内部节点 打球=是 打球=否 待构建
常见问题与知识点
什么是ID3算法？
ID3（Iterative Dichotomiser 3）是由Ross Quinlan于1986年提出的经典决策树算法。它使用信息增益作为特征选择标准，每次选择信息增益最大的特征来分割数据，递归构建决策树，直到所有叶子节点纯净或没有更多特征可用。
什么是信息熵（Entropy）？
信息熵衡量数据集的不确定性。公式为 H(S) = -Σ pᵢ · log₂(pᵢ)，其中pᵢ是第i类的比例。熵越高，数据越混乱；熵为0时，所有样本属于同一类（完全纯净）。例如，14条记录中9条"打球"、5条"不打球"，熵约为0.940。
信息增益如何计算？
信息增益 = 分割前的熵 - 按特征分割后的加权平均熵。加权平均熵 = Σ (|Dᵥ|/|D|) × H(Dᵥ)，其中Dᵥ是按特征值v分割后的子集。信息增益越大，说明该特征对分类的贡献越大，越适合作为分割节点。
ID3算法的优缺点是什么？
优点：理论清晰、易于理解、可解释性强、能处理离散特征。缺点：①偏向选择取值较多的特征（信息增益偏好）；②无法处理连续值特征（需要离散化）；③对噪声敏感；④无法处理缺失值；⑤容易过拟合。后续的C4.5算法使用信息增益率解决了偏好问题。
为什么信息增益会偏向多值特征？
假设有一个"编号"特征，每个样本的编号都不同。按编号分割后，每个子集只有1条记录，熵为0，加权平均熵也为0，信息增益达到最大。但这毫无泛化能力。这就是ID3的信息增益偏好问题。C4.5使用信息增益率（信息增益除以特征的固有熵）来解决此问题。
决策树何时停止分裂？
常见的停止条件：①当前节点所有样本属于同一类（熵=0）；②所有特征已用完；③信息增益低于阈值；④节点样本数少于阈值；⑤达到预设的最大深度。在本演示中，我们使用条件①和②。
🔧 相关工具