影片狀態：已查核：官方公開頁未列對應錄影。 影片來源與說明
這是 CMU 07-280 Spring 2026 Lecture 6：Decision Trees。Lecture 5 只說要從 hypothesis class 找 empirical risk 小的函數。這一講第一次把 H 具體化，並展示一個核心取捨：不窮舉所有樹，而是每個 node 貪心選一次最有資訊的 split。
承上問題：hypothesis class 選定後，怎麼有效找模型
Decision tree 的 internal node 問一個 attribute，edge 對應答案，leaf 輸出 label。公寓例子會問租金、押金、距離與公車站，再決定是否實地查看。它的優點是路徑可直接讀成人類規則；困難是訓練資料沒有附上該問哪個問題。
二元版本令 X={0,1}^d、Y={0,1}。Decision stump 只分裂一次；完整 tree 則遞迴分裂。若 attributes 用完或 node 裡 labels 已一致，就用 majority vote 建 leaf。
完整概念脈絡：greedy construction 與資訊量
課堂演算法在每個 node 呼叫 BestAttribute(S,A)，用選定 attribute 把 samples 分成 0／1 兩群，再遞迴處理剩餘 attributes。這是 greedy approach：每步選當下最好的 split，換取計算效率，但不保證得到全域最小或最準的整棵樹。
「最好」可以定義成 split 後 training error 最低，也可以用 impurity。這一講主攻 information theory：
H(Y) = Σ_y P(Y=y) log2(1/P(Y=y))
H(Y|W) = Σ_w P(W=w) H(Y|W=w)
I(Y;W) = H(Y) - H(Y|W)Entropy 衡量 label uncertainty。Conditional entropy 是知道 attribute W 後，各 child entropy 的加權平均。Mutual information 是分裂前後 uncertainty 減少量；BestAttribute選 I(Y;W) 最大者。
連續 feature 可用 threshold，例如問 x2 ≥ 4.5。Attribute 也不一定在使用後移除；數值特徵可能在更深節點用另一個 threshold 再切。Stopping criteria 則控制 tree size，例如 split 若幾乎不降低 error 就停止。
可重做的小例子：一個 bit 帶來多少資訊
假設八筆資料有四個正例、四個負例，因此：
H(Y) = -0.5 log2 0.5 - 0.5 log2 0.5 = 1 bitAttribute W1 完美把四個正例放左、四個負例放右。兩個 child entropy 都是 0，所以 H(Y|W1)=0，I(Y;W1)=1。
Attribute W2 的兩個 child 都各有兩正兩負，conditional entropy 仍是 1，所以 I(Y;W2)=0。用 W2 分裂沒有降低 label uncertainty；即使圖畫出兩個 branches，模型其實沒學到可區分類別的資訊。
Recitation／HW 對應
Recitation 3 先要求定義 decision tree、entropy、conditional entropy、mutual information，再從 fair coin、偏置 coin 與 dice 手算 entropy。後半用天氣與跑步資料逐步算 H(Y)、H(Y|X) 與最佳 split，最後討論何時 high information gain 仍可能造成不理想的 tree。
HW4 第一題給定 training set，要求比較 candidate splits；題面明確說該小題不必真的算 entropy，重點是能判斷分裂後的 label composition。這讓 Recitation 的完整計算與作業的結構判讀互補。
延伸對照：可解釋不代表穩定或全域最佳
一棵 tree 的單一路徑容易解釋，但訓練過程是 greedy：資料稍微改變，root split 可能改變，後續整棵子樹也會重建。Mutual information 只評估當前 split 的 label uncertainty reduction，不是整棵未來 tree 的全域目標證明。
因此「human interpretable」應該精確理解為 prediction path 可讀，而不是訓練過程無取捨、模型必然簡單或結果必然穩定。
今晚可以做的動作
- 手算 fair coin、固定為反面、fair six-sided die 的 entropy。
- 為八筆二元資料計算兩個 attributes 的 conditional entropy 與 mutual information。
- 把最佳 attribute 當 root，遞迴做第二層，直到 leaf labels 一致或 attributes 用完。
課程影片來源
已核對 Spring 2026 官方課表：對應講次公開列出投影片、講義與練習，未列本課講次的公開錄影連結，因此本文提供教材入口，沒有對應講次播放器。課表中的 Géron／Karpathy 影片是延伸閱讀，CMU-Qatar NumPy 錄影是另列的 Recitation 0，均不能當成本文講次錄影。
官方來源：
查核日期：2026-10-10。
官方材料與讀取範圍
本文完整讀取 Decision Trees lecture notes、pre-reading、Recitation 3與solution，並核對 HW4。官方課表未列逐講公開錄影連結。
更新紀錄
- 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
- 2026-10-10：重查影片狀態。即時回官方課程頁與公開影音來源查證，仍未找到該講公開錄影，狀態維持不變。
參考資料
Loading...