决策树和随机森林

一、决策树（Decision Tree）

1. 什么是决策树？

决策树是一种基于树形结构的监督学习算法，常用于分类和回归任务。它的核心思想是通过一系列的条件判断（决策规则），将输入数据逐步划分到不同的类别或预测值。决策树可以看作是一个"if-then-else"规则的集合，类似于人类决策的过程。

• 结构：决策树由以下部分组成：

  • 根节点（Root Node）：包含所有数据的起点。
  • 内部节点（Internal Node）：表示一个特征上的条件判断。
  • 分支（Branch）：表示条件判断的结果，连接到下一个节点。
  • 叶节点（Leaf Node）：表示最终的输出（分类标签或回归值）。

• 例子：假设你要判断一个人是否会购买某产品，可以根据"年龄"、“收入"和"教育水平"等特征，通过一系列条件（如"年龄 > 30？”、“收入 > 50000？”）来逐步划分，最终得出"是"或"否"。

2. 决策树的工作原理

决策树的构建过程可以分为以下步骤：

1. 选择最优特征：从所有特征中选择一个特征进行划分，使得划分后的子集"更纯"（即分类更明确或回归值更集中）。
2. 划分数据集：根据选定特征的某个阈值，将数据集分成多个子集。
3. 递归构建子树：对每个子集重复上述步骤，直到满足停止条件（如最大深度、样本数不足等）。
4. 输出结果：每个叶节点对应一个预测结果。

3. 决策树的数学基础

决策树的核心在于如何选择最优特征进行划分，这需要定义一个"纯度"或"不确定性"的指标。以下是常用的指标：

(1) 分类问题的指标

• 信息增益（Information Gain）：

  • 基于**熵（Entropy）**的概念。熵衡量数据集的不确定性，公式为：
    $\text{Entropy}(S)=-{\sum }_{i=1}^c{p}_i{\log }_2(p_i)$
    其中，$S$ 是数据集，$c$ 是类别数，$p_i$ 是第 $i$ 类样本的比例。
  • 信息增益表示划分后熵的减少量：
    $\text{IG}(A)=\text{Entropy}(S)-{\sum }_{v\in \text{Values}(A)}\frac{|S_v|}{|S|}\text{Entropy}(S_v)$
    其中，$A$ 是特征，$S_v$