【机器学习】决策树
参考课程视频：https://www.icourse163.org/course/NEU-1462101162?tid=1471214452
1 概述
样子：
2 分裂
2.1 分裂原则
信息增益
信息增益比
基尼指数
3 终止 & 剪枝
3.1 终止条件
- 无需分裂
- 当前节点内样本同属一类
- 无法分裂
- 当前节点内所有样本的特征向量完全相同
- 采用任何特征都无法将当前样本集分为多个子类
- 无数据可分
- 当前节点内没有样本
3.2 剪枝
剪枝的目的：解决决策树过拟合现象（决策树规模大），提高决策树的泛化性能。
剪枝方法
- 前剪枝（预剪枝）
- 在决策树的生成过程中同步进行剪枝
- 在节点进行分裂前，对比节点分裂前后决策树的泛化性能指标，若泛化性能在分裂后得到提升，执行分裂；否则不执行分裂。
- 后剪枝
- 在决策树完全生成后逐步剪去叶子节点
- 常采用启发式方法从最深层的叶子节点或具有最高不纯度的
叶子节点开始剪枝 - 通过对比剪枝前后的泛化指标，决定是否剪去该叶子节点。
前剪枝 & 后剪枝 策略对比：
| 策略 | 时间 | 拟合风险 | 泛化能力 |
|---|---|---|---|
| 前剪枝 | 训练时间较少、测试时间较少 | 过拟合风险较低 、欠拟合风险较高 | 泛化能力一般 |
| 后剪枝 | 训练时间较长、测试时间较少 | 过拟合风险较低、欠拟合风险稳定 | 泛化能力较好 |
通常后剪枝比前剪枝保留的决策树规模更大。
4 决策树算法
4.1 经典决策树算法
ID3
C4.5
CART(Classification And Regression Tree)
4.2 算法对比分析
| 算法 | 特征选择 | 剪枝 | 处理数据类型 | 树类型 |
|---|---|---|---|---|
| ID3 | 信息增益 | 无 | 离散 | 多叉树 |
| C4.5 | 信息增益比 | 前剪枝 | 离散、连续 | 多叉树 |
| CART | 基尼指数 | 后剪枝 | 离散、连续 | 二叉树 |
总结：
- CART的功能更全：分类、回归
- CART具有更好的泛化性能：二叉树，后剪枝。
- CART训练时间较长，计算开销较大。
- 信息增益、信息增益比和基尼指数各有利弊。