决策树详解

╰半橙微兮° 2022-05-16 10:14 184阅读 0赞

原文链接：[https://blog.csdn.net/zhaocj/article/details/50503450\#commentBox][https_blog.csdn.net_zhaocj_article_details_50503450_commentBox]

建议阅读此文章的同志们最好拿支笔，拿张纸，把函数抄下来，运算过程跟着算一遍比较好。

一、原理

决策树是一种非参数的监督学习方法，它主要用于分类和回归。决策树的目的是构造一种模型，使之能够从样本数据的特征属性中，通过学习简单的决策规则——IF THEN规则，从而预测目标变量的值。

![20160112131643628][]

图1 决策树

例如，在某医院内，对因心脏病发作而入院治疗的患者，在住院的前24小时内，观测记录下来他们的19个特征属性——血压、年龄、以及其他17项可以综合判断病人状况的重要指标，用图1所示的决策树判断病人是否属于高危患者。在图1中，圆形为中间节点，也就是树的分支，它代表IF THEN规则的条件；方形为终端节点（叶节点），也就是树的叶，它代表IF THEN规则的结果。我们也把第一个节点称为根节点。

决策树往往采用的是自上而下的设计方法，每迭代循环一次，就会选择一个特征属性进行分叉，直到不能再分叉为止。因此在构建决策树的过程中，选择最佳（既能够快速分类，又能使决策树的深度小）的分叉特征属性是关键所在。这种“最佳性”可以用非纯度（impurity）进行衡量。如果一个数据集合中只有一种分类结果，则该集合最纯，即一致性好；反之有许多分类，则不纯，即一致性不好。有许多指标可以定量的度量这种非纯度，最常用的有熵，基尼指数（Gini Index）和分类误差，它们的公式分别为：

![20160112131832033][]（1）

![20160112131937162][]（2）

![20160112132040826][]（3）

上述所有公式中，值越大，表示越不纯，这三个度量之间并不存在显著的差别。式中*D*表示样本数据的分类集合，并且该集合共有*J*种分类，*pj*表示第*j*种分类的样本率：

![20160112132147226][]（4）

式中*N*和*Nj*分别表示集合*D*中样本数据的总数和第*j*个分类的样本数量。把式4带入式2中，得到：

![20160112132238074][]（5）

目前常用的决策树的算法包括ID3（Iterative Dichotomiser 3，第3代迭戈二叉树）、C4.5和CART（ClassificationAnd Regression Tree，分类和回归树）。前两种算法主要应用的是基于熵的方法，而第三种应用的是基尼指数的方法。下面我们就逐一介绍这些方法。

ID3是由Ross Quinlan首先提出，它是基于所谓“Occam'srazor”（奥卡姆剃刀），即越简单越好，也就是越是小型的决策树越优于大型的决策树。如前所述，我们已经有了熵作为衡量样本集合纯度的标准，熵越大，越不纯，因此我们希望在分类以后能够降低熵的大小，使之变纯一些。这种分类后熵变小的判定标准可以用信息增益（Information Gain）来衡量，它的定义为：

![20160112132340737][]（6）

该式表示在样本集合*D*下特征属性*A*的信息增益，*n*表示针对特征属性*A*，样本集合被划分为*n*个不同部分，即*A*中包含着*n*个不同的值，*Ni*表示第*i*个部分的样本数量，E(*Di*)表示特征属性*A*下第*i*个部分的分类集合的熵。信息增益越大，分类后熵下降得越快，则分类效果越好。因此我们在*D*内遍历所有属性，选择信息增益最大的那个特征属性进行分类。在下次迭代循环中，我们只需对上次分类剩下的样本集合计算信息增益，如此循环，直至不能再分类为止。

C4.5算法也是由Quinlan提出，它是ID3算法的扩展。ID3应用的是信息增益的方法，但这种方法存在一个问题，那就是它会更愿意选择那些包括很多种类的特征属性，即哪个*A*中的*n*多，那么这个*A*的信息增益就可能更大。为此，C4.5使用信息增益率这一准则来衡量非纯度，即：

![20160112132437914][]（7）

式中，SI(*D*, *A*)表示分裂信息值，它的定义为：

![20160112132523769][]（8）

该式中的符号含义与式6相同。同样的，我们选择信息增益率最大的那个特征属性作为分类属性。

CART算法是由Breiman等人首先提出，它包括分类树和回归树两种。我们先来讨论分类树，针对特征属性*A*，分类后的基尼指数为：

![20160112132631547][]（9）

该式中的符号含义与式6相同。与ID3和C4.5不同，我们选择分类基尼指数最小的那个特征属性作为分类属性。当我们每次只想把样本集合分为两类时，即每个中间节点只产生两个分支，但如果特征属性*A*中有多于2个的值，即*n*> 2，这时我们就需要一个阈值*β*，它把*D*分割成了*D*1和*D*2两个部分，不同的*β*得到不同的*D*1和*D*2，我们重新设*D*1的样本数为*L*，*D*2的样本数为*R*，因此有*L*\+*R* = *N*，则式9可简写为：

![20160112132723140][]（10）

我们把式5带入上式中，得到：

![20160112132825026][]（11）

式中，∑*Lj* = *L*，∑*Rj* = *R*。式11只是通过不同特征属性*A*的不同阈值*β*来得到样本集*D*的不纯度，由于*D*内的样本数量*N*是一定的，因此对式11求最小值问题就转换为求式12的最大值问题：

![20160112132915806][]（12）

以上给出的是分类树的计算方法，下面介绍回归树。两者的不同之处是，分类树的样本输出（即响应值）是类的形式，如判断蘑菇是有毒还是无毒，周末去看电影还是不去。而回归树的样本输出是数值的形式，比如给某人发放房屋贷款的数额就是具体的数值，可以是0到120万元之间的任意值。为了得到回归树，我们就需要把适合分类的非纯度度量用适合回归的非纯度度量取代。因此我们将熵计算用均方误差替代：

![20160112133010898][]（13）

式中*N*表示*D*集合的样本数量，*yi*和*ri*分别为第*i*个样本的输出值和预测值。如果我们把样本的预测值用样本输出值的平均来替代，则式13改写为：

![20160112133116130][]（14）

上式表示了集合*D*的最小均方误差。

（我觉14得此处的运算貌似有点小问题，第二步到第三步中间项的计算，把累加号提进去之后）

如果针对于某种特征属性*A*，我们把集合*D*划分为*s*个部分，则划分后的均方误差为：

![20160112133222074][]（15）

式中*Ni*表示被划分的第*i*个集合*Di*的样本数量。式15与式14的差值为划分为*s*个部分后的误差减小：

![20160112133302275][]（16）

与式6所表示的信息增益相似，我们寻求的是最大化的误差减小，此时就得到了最佳的*s*个部分的划分。

同样的，当我们仅考虑二叉树的情况时，即每个中间节点只有两个分支，此时*s*= 2，基于特征属性*A*的值，集合*D*被阈值*β*划分为*D*1和*D*2两个集合，每个集合的样本数分别为*L*和*R*，则：

![20160112133342929][]（17）

把式14带入上式，得：

![20160112133447383][]（18）

式中，*yi*是属于集合*D*的样本响应值，*li*和*ri*分别是属于集合*D*1和*D*2的样本响应值。对于某个节点来说，它的样本数量以及样本响应值的和是一个定值，因此式18的结果完全取决于方括号内的部分，即：

![20160112133537049][]（19）

因此求式18的最大值问题就转变为求式19的最大值问题。

[https_blog.csdn.net_zhaocj_article_details_50503450_commentBox]: https://blog.csdn.net/zhaocj/article/details/50503450#commentBox
[20160112131643628]: /images/20220516/3079a9d7ccfb47febc79dbec5a873d07.png
[20160112131832033]: /images/20220516/e7a6f448decf4d3e9d4448dc9364cc15.png
[20160112131937162]: /images/20220516/ee535c00687d4382be4585b2f55d0a0a.png
[20160112132040826]: /images/20220516/4b65815613434ea4a8cc384999a81993.png
[20160112132147226]: /images/20220516/b5dd7092abcb40f4aa79362dccb0d4e6.png
[20160112132238074]: /images/20220516/2ea344ef0336405fbff074fc16d27087.png
[20160112132340737]: /images/20220516/6a3e989e55f74095bdb6c1614e269d8f.png
[20160112132437914]: /images/20220516/55616b86b0d2437bb5319d381b453aa0.png
[20160112132523769]: /images/20220516/e8417cb4842c4a028d89844928942db3.png
[20160112132631547]: /images/20220516/387ba6b3f1da4f7d985dbd89a948791e.png
[20160112132723140]: /images/20220516/88d41481f83b48cdb332b617b546d7c4.png
[20160112132825026]: /images/20220516/8a0f4c029aad4f51b60217cd90c17494.png
[20160112132915806]: /images/20220516/510b052357b34d2994d86de87b0f3a56.png
[20160112133010898]: /images/20220516/46e4a9d975ee48cea701aa3b5828765c.png
[20160112133116130]: /images/20220516/d10122cf969e4aeca34fe9a3fc02d9eb.png
[20160112133222074]: /images/20220516/8b8428e0e471495f9ec011054a35f159.png
[20160112133302275]: /images/20220516/d541d67ec18e4adcaa66442ce7109c79.png
[20160112133342929]: /images/20220516/3978b8c5364d45c183b34c64f93bcb84.png
[20160112133447383]: /images/20220516/75f8fd4c97074a2db4263a019babe13a.png
[20160112133537049]: /images/20220516/4ef3bc12c2b7477a924bdcb99e96cf45.png