机器学习·决策树

前言

决策树是分类与回归问题中常用的方法之一。其实不仅是机器学习领域，在每天的日常决策中，我们都在使用决策树。流程图实际上就是决策树的可视化表示。

---

一、基本概念

1. 决策树原理

   • 通过一系列 逻辑规则（特征分割条件） 构建树形结构，用于分类或回归。

   • 每个内部节点表示一个特征判断，分支表示判断结果，叶节点表示最终类别或数值。

2. 关键术语

   • 熵（Entropy）：衡量系统不确定性
     \( S = -\sum_{i=1}^N p_i \log_2 p_i \)
     \( p_i \) 为第 \( i \) 类样本的比例。

   • 信息增益（Information Gain）：分割后熵的减少量
     \( IG(Q) = S_0 - \sum_{i=1}^q \frac{N_i}{N} S_i \)

   • 基尼系数（Gini Index）：衡量数据不纯度
     \( G = 1 - \sum_{k} (p_k)^2 \)

3. 分割质量指标对比

   指标	公式	特点
   信息增益（熵）	\( IG = S_0 - \sum \frac{N_i}{N} S_i \)	对类别分布敏感
   基尼系数	\( G = 1 - \sum p_k^2 \)	计算更高效，与熵效果相似
   错分率	\( E = 1 - \max p_k \)	不推荐使用，对概率变化不敏感

---

二、决策树构建算法

1. 核心思想

   • 贪婪算法：每一步选择 信息增益最大（或基尼系数最小）的特征进行分割。

   • 递归分裂：重复分割直到满足停止条件（如节点纯度达标、深度限制等）。

2. 常用算法

   算法	特点
   ID3	使用信息增益，仅支持分类，无法处理连续特征和缺失值
   C4.5	改进 ID3，支持连续特征、缺失值处理，引入信息增益率防止过拟合
   CART	使用基尼系数（分类）或均方误差（回归），支持分类和回归，生成二叉树

3. 停止条件

   • 节点样本数小于阈值

   • 节点纯度达到要求（如熵/基尼系数接近 0）

   • 树达到预设最大深度

---

三、分类与回归应用

1. 分类树

   • 目标：预测离散类别标签。

   • 质量指标：熵或基尼系数。

   • 示例代码（sklearn）：

     from sklearn.tree import DecisionTreeClassifier
     clf = DecisionTreeClassifier(criterion='gini', max_depth=3)
     clf.fit(X_train, y_train)

2. 回归树

   • 目标：预测连续数值。

   • 质量指标：均方误差（MSE）
     \( D = \frac{1}{\ell} \sum_{i=1}^\ell (y_i - \bar{y})^2 \)
     \( \bar{y} \) 为叶节点样本均值。

   • 示例代码（sklearn）：

     from sklearn.tree import DecisionTreeRegressor
     reg = DecisionTreeRegressor(max_depth=3)
     reg.fit(X_train, y_train)

---

四、过拟合与剪枝

1. 过拟合表现

   • 决策树过深，叶节点样本过少，模型在训练集上完美拟合但在测试集上效果差。

2. 解决方法

   • 预剪枝（Pre-pruning）：提前限制模型复杂度

     • max_depth：树的最大深度

     • min_samples_leaf：叶节点最少样本数

     • max_features：分割时考虑的最大特征数

   • 后剪枝（Post-pruning）：先构建完整树，再自底向上合并节点（如 CCP 方法）。

---

五、决策树的优缺点

优点	缺点
可解释性强，规则可视化	对噪声敏感，易过拟合
支持数值和类别特征	边界为轴平行超平面，可能不如其他模型灵活
训练和预测速度快	数据微小变化可能导致树结构剧变（不稳定）
无需特征标准化	无法外推（只能预测训练集特征范围内的值）

---

六、实战注意事项

1. 参数调优

   • 使用交叉验证选择最佳 max_depth、min_samples_leaf 等参数。

   • 示例代码：

     from sklearn.model_selection import GridSearchCV
     params = {'max_depth': [3, 5, 7], 'min_samples_leaf': [1, 5, 10]}
     grid = GridSearchCV(DecisionTreeClassifier(), params, cv=5)
     grid.fit(X, y)

2. 可视化决策树

   • 使用 sklearn.tree.plot_tree 或第三方库（如 Graphviz）生成树结构图。

   • 示例代码：

     from sklearn.tree import plot_tree
     plt.figure(figsize=(20, 10))
     plot_tree(clf, filled=True, feature_names=X.columns)
     plt.show()

---

七、应用

1. 分类问题：客户信用评估、疾病诊断、垃圾邮件识别。

2. 回归问题：房价预测、销量趋势分析。

3. 特征重要性分析：通过节点分裂次数或信息增益量评估特征重要性。