【机器学习】决策树-原理详解

1、决策树概述（Decision Tree，DT）

决策树的思想类似于20个问题的游戏，游戏规则很简单：参与游戏的一方在脑子里想某个事物，其他参与者向他提问，问题的答案只用对错来回答。问问题的人通过推断分析，不断缩小待猜测事务的范围。决策树的重要任务就是从数据中提取出一系列规则，用于对新输入的数据进行分类。

2、决策树原理

如图所示，是在挑选时，依据不同的特征来判断西瓜好坏的一棵决策树：

其中的每个分支结点都是我们对某个特征的判定，我们将选中的特征称作（最优）划分特征，判定的结果或者导出问题的结果，或者导出进一步的问题判定。
我们希望从已知数据中找到一组最优划分特征（也就是确定决策树的每个结点），构造出一棵决策树，从而对于一个新输入的数据，来判断它的类别。那么如何找最优划分特征呢？

3、决策树的构造

• 首先，要明白：
  构造决策树的关键在于：选取特征，划分数据。
  划分数据的原则是：将无序的数据变得有序。
  方法是：基于某些指标，测试当前可选择的所有特征，选取最优划分特征，使数据尽量变得有序。
• 因此在构造决策树时，要解决的第一个问题就是，当前数据集上哪个特征在划分数据分类时起决定性作用。 为了找到决定性的特征，划分出最好的结果，我们必须评估每个特征。
• 将特征作为结点，数据集将会根据该决策点分布到不同分支里面去。
  如果每个分支的数据属于同一类型，则数据将无需再进行进一步的划分。
  如果数据子集中数据不属于同一个类型，则需要反复划分数据自己的过程。直到所有相同类型的数据均在一个数据子集中。

决策树的构造关键在于每个划分特征的选取，常用算法有：ID3算法、C4.5算法、CART算法。
（其中，CART算法包含CART生成和CART剪枝，ID3、C4.5均只包含决策树生成，其剪枝将在后文介绍。）

3.1 ID3算法

该算法的核心思想是：信息增益最大化。信息增益是什么？为什么最大化？

• 熵：度量样本集合纯度的指标。其值越小，表明数据的纯度越高。

• 信息增益：划分数据集之前之后信息纯度发生的变化。
  计算方式：划分前的熵（大）-划分后的熵（小）=熵的减少=无序度的减小=纯度的提高。
  其值越大，表示数据纯度提升越大，所以要最大化。

据此，我们从根节点处开始，计算每个特征在结点处进行划分前后的熵，进而得到信息增益，选取信息增益最大的那个特征作为该结点的划分特征，构造出决策树。

小结：
（1）ID3算法的核心思想就是：依据信息增益来生成决策树。
（2）缺点：生成的树容易过拟合。（因为我们在每个结点采用信息增益最大化来选择划分特征，也就一味的追求了生成的树在训练数据集上分类的准确度，从而造成了过拟合。）

3.2 C4.5算法

C4.5算法与ID3算法相比进行了改进，采用信息增益比来选择特征。信息增益比是什么？

• 信息增益比：某特征的信息增益与该特征各个取值所对应的熵的比值。（不用过度纠结概念）
  目的：ID3算法之所以容易过拟合的原因是它偏向于选择取值较多的特征，举个栗子：特征1（色泽）有3种取值：青绿、乌黑、浅白；特征2（触感）有2种取值：软黏、硬滑。ID3算法会倾向于先选择特征1（色泽），这是因为如果数据中还存在取值多的特征未划分，那么数据无序度偏高，划分前后纯度提高幅度较大。所以，C4.5就对这一问题进行了矫正，缓解过拟合。

小结：
（1）C4.5算法的核心思想是：最大化信息增益比。但这里不是简单的最大化，因为最大化信息增益比又会导致偏向于选择取值较少的属性，所以这里用到一个启发式：先从候选划分特征中找出信息增益高于平均水平的特征，再从中选择信息增益比最高的特征。
（2）特点：缓解了ID3算法的过拟合问题。

3.3 CART算法

CART（Classification and Regression Tree）算法也叫分类回归树算法，既可以用于回归，也可以用于分类。CART算法的思想包括CART生成、CART剪枝两个步骤。

3.3.1 CART生成

生成回归树的核心思想是：平方误差最小化准则。
非直观的理解，就是每一步划分都遵从：sum(y-f(x))^2最小。

生成分类树的核心思想是：最小化基尼指数。基尼指数是什么？为什么最小化？

• 基尼指数：表示数据集合的不确定性（混乱程度）。
  值越大，表示数据不确定性就越大，越混乱，纯度越低。

据此，我们计算每个特征进行划分后，各子集的基尼指数的加权和，得到划分后的基尼指数。其值越小，表示划分后的集合不确定性越低，纯度越高。所以选择那个使得划分后基尼指数最小的特征作为最优划分特征。

3.3.2 CART剪枝

CART剪枝算法从“完全生长”的决策树的底端剪去一些子树，使决策树变小（模型变简单），从而能够对未知数据有更加准确地预测。
CART剪枝算法由两部分组成：
1.首先从数的底端开始不断剪枝，直到树的根结点，形成一个子树序列；
2.然后通过交叉验证法在独立的验证数据集上对子树序列进行测试，从中选择最优子树。

4、决策树的剪枝

剪枝（puring）是决策树对付过拟合的主要手段，通过主动剪掉一些分支来降低过拟合的风险。
剪枝分为“预剪枝”（prepuring）和“后剪枝”（postpuring）。

4.1 预剪枝

在决策树生成过程中，对每个结点在划分前进行估计，若当前结点的划分不能带来决策树泛化能力的提升，那就停止划分并将该结点标记为叶结点。（泛化能力指模型在测试数据集上的预测能力）

• 好处：预剪枝使很多分支没有展开，不仅降低了过拟合风险，还减少了训练和测试时间开销。
• 坏处：但另一方面，有些分支的当前划分可能不会提升泛化能力，但其后续的划分可能会使泛化能力显著提升；基于“贪心”策略的预剪枝决策树可能会出现欠拟合的问题。

4.2 后剪枝

先从训练集生成一棵完整的决策树，然后自底向上地对非叶结点进行考查，若将该结点对应的子树替换成叶结点能提升决策树的泛化能力，则将该子树替换成叶结点。

• 好处：后剪枝通常比预剪枝保留更多的分支，欠拟合的风险较小，泛化能力较好。
• 坏处：后剪枝是在决策树生成之后进行的，要自底向上对每一个分支结点进行考查，训练时间较长。