二分类树的非对称不纯函数、类加权与最优分裂
机器学习
2019-04-30 v1 机器学习
摘要
我们研究在生长二分类决策树时，非对称化一个不纯函数如何影响最优节点分裂的选择。特别地，我们放宽不纯函数的通常公理，并展示偏斜一个不纯函数如何在分裂节点时使最优分裂偏置以隔离特定类的点。我们给出该概念的严格定义，然后给出此类偏置成立的充要条件。我们还展示类加权技术等价于对不纯函数施加特定变换，并将所有这些概念对一类包含熵与 Gini 不纯的不纯函数联系在一起。我们也简要讨论不依赖代价的不纯函数并给出此类函数的刻画。
引用
@article{arxiv.1904.12465,
title = {Asymmetric Impurity Functions, Class Weighting, and Optimal Splits for Binary Classification Trees},
author = {David Zimmermann},
journal= {arXiv preprint arXiv:1904.12465},
year = {2019}
}
备注
18 pages, 2 figures