机器学习——决策树（一）

【说明】文章内容来自《机器学习——基于sklearn》，用于学习记录。若有争议联系删除。

1、简介

        决策树(decision tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于或等干0的概率，用以评价项且风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称为决策树。决策树是一种非常常见并且优秀的机器学习算法，它易于理解、可解释性强，其可用于分类算法，也可用于回归模型。
        决策树将算法组织成一棵树的形式。其实这就是将平时所说的if-then语句构建成了树的形式。这棵决策树主要包括3部分：内部节点、叶节点和边。内部节点是划分的属性，边表示划分的条件，叶节点表示类别。构建决策树就是一个递归地选择内部节点，计算划分条件的边，最后到达叶子节点的过程。

1.1 特点

优点:

• 推理过程容易理解，计算简单，可解释性强。
• 比较适合处理有缺失属性的样本。
• 可自动忽略目标变量没有贡献的属性变量，也为判断属性变量的重要性，减少变量的数目提供参考。

缺点:

• 容易造成过拟合，需要采用剪枝操作。
• 忽略了数据之间的相关性。
• 对于各类别样本数量不一致的数据，信息增益会偏向于那些更多数值的特征。

1.2 示例

根据客户的职业、收入、年龄以及学历等信息判断客户是否有贷款意向。

客户信息表示为{职业，年龄，收入，学历}。某客户信息为{工人，39,1800，小学}，决策树的决策步骤如下：

最终得出该客户无贷款意向。可以看出，属性选择的先后次序对于构造决策树有至关重要的作用。

2、决策树相关概念

2.1 信息

        信息泛指在社会中传播的一切内容，包括音讯、消息、通信系统传输和处理的对象等。信息可以通过信息熵被量化。1948年，香农在《通信的数学原理》这篇论文中指出：“信息是用来消除随机不确定性的东西。”

2.2 信息熵

        信息熵是表示信息含量的指标。越不确定的事件，其信息熵越大。信息熵的计算公式如下：

其中P(x)表示事件x出现的概率，X是事件全体的集合。

信息熵性质：

1. 单调性。发生概率越高的事件，信息熵越低。例如，“太阳从东方升起”是确定事件，没有消除任何不确定性，所以不携带任何信息量。
2. 非负性。信息熵不能为负。
3. 累加性。多个事件总的信息熵等于各个事件的信息熵之和。

2.3 互信息

        互信息是对两个离散型随机变量X和Y相关程度的度量，互信息的维恩图如图所示，左圆圈表示X的信息熵H(X)，右圆圈表示Y的信息熵H(Y)，并集是联合分布的信息熵H(X,Y)，差集是条件熵H(X|Y)或H(Y|X)，交集为互信息I(X,Y)。互信息越大，意味着两个随机变量的关联就越密切。

2.4 信息增益

        决策树在划分数据集时选择信息熵变化最大的特征作为分类依据，也就是选择信息增益最大的特征作为分裂节点。不同的特征具有不同的信息增益，信息增益大的特征具有更强的分类能力。信息增益用g表示，其计算公式如下:

其中，条件熵H(X|A)是指在已知随机变量A的条件下X的不确定性。

3、决策树算法

决策树创建过程分为以下几步:

1. 计算数据集划分前的信息熵。
2. 遍历所有条件的特征，分别计算用每个特征划分数据集的信息熵。
3. 选择信息增益最大的特征作为数据划分节点。
4. 递归地处理被划分后的数据集，当满足信息增益的阚值时,结束递归。

决策树的典型算法有ID3.C4.5和 CART等。

3.1 ID3算法

        ID3(Iterative Dichotomiser 3,迭代二叉树3代)是一种贪心算法，以信息论为基础，以信息熵和信息增益作为衡量标准，对数据进行分类。ID3算法具有构建速度快、实现简单等优点。ID3算法有如下缺点:

• 依赖于数目较多的特征。
• 不是递增算法
• 不考虑特征属性之间的关系。
• 抗噪性差。
• 只适合小规模数据集。

3.2 C4.5算法

 C4.5算法继承了1D3算法的优点，并在以下几方面进行了改进：

• 弥补了信息增益选择偏向取值多的特征的缺陷。
• 在决策树构造过程中进行剪枝操作。
• 能够对连续属性进行离散化处理。
• 能够对不完整数据进行处理，

C4.5算法需对数据集进行多次顺序扫描和排序，因此该算法的效率较低。

3.3 CART算法

        ID3算法和 C4.5 算法生成的决策树规模较大。为了提高生成决策树的效率，出现了CART(Classification And Regression Tree,分类和回归树)算法。当叶子节点是连续型数据时，该决策树为回归树；当叶子节点是离散型数据时，该决策树为分类树。CART 根据基尼系数选择测试属性，数据集D的基尼系数 Gini(D)的计算公式如下:

        Gini(D)反映了从数据集D中随机抽到两个不一致类别的样本的概率。Gini(D)越小，数据集D的纯度越高；反之，纯度越低。
ID3.C4.5和 CART这3种算法的比较如下:

• ID3 和 C4.5算法均只适合在小规模数据集上使用。
• ID3 和 C4.5算法构建的都是单变量决策树。
• 当属性值较多时，C4.5算法效果较好,而ID3算法效果较差。
• 三者划分依据不同：ID3为信息增益，C4.5为信息增益率，CART为基尼系数和均方差。
• CART算法构建的决策树一定是二叉树，ID3 和 C4.5构建的决策树不一定是二叉树。