当前位置：首页 > news >正文

【机器学习】机器学习的基本分类-监督学习-决策树-CART（Classification and Regression Tree）

news 2025/8/15 20:11:41

CART（Classification and Regression Tree）

CART（分类与回归树）是一种用于分类和回归任务的决策树算法，提出者为 Breiman 等人。它的核心思想是通过二分法递归地将数据集划分为子集，从而构建一棵树。CART 算法既可以生成分类树，也可以生成回归树。

1. CART 的特点

二叉树结构：CART 始终生成二叉树，每个节点只有两个分支（左子树和右子树）。
分裂标准不同：
- 对于分类任务，CART 使用**基尼指数（Gini Index）**作为分裂标准。
- 对于回归任务，CART 使用**最小均方误差（MSE）**作为分裂标准。
支持剪枝：通过后剪枝减少过拟合。
处理连续和离散数据：支持连续特征的划分点选择。

2. CART 的基本流程

输入：训练数据集 D，目标变量类型（分类或回归）。
递归分裂：
- 按照基尼指数（分类）或均方误差（回归）选择最佳划分点。
- 对数据集划分为两个子集，递归构造子树。
停止条件：
- 节点样本数量小于阈值。
- 划分后不再能显著降低误差。
剪枝：
- 通过校验集性能优化，剪去不显著的分支。
输出：最终的二叉决策树。

3. 分类树

(1) 基尼指数

基尼指数（Gini Index）用于衡量一个节点的“纯度”，越小表示越纯：

$Gini(D) = 1 - \sum_{k=1}^K \left(\frac{|D_k|}{|D|}\right)^2$

其中：

$D_k$ ：类别 k 的样本数量。
K：类别的总数。

节点分裂的基尼指数计算为：

$Gini_{split}(D) = \frac{|D_1|}{|D|} Gini(D_1) + \frac{|D_2|}{|D|} Gini(D_2)$

最佳划分点是使 $Gini_{split}(D)$ 最小的特征和对应的划分点。

(2) 示例：分类树

数据集：

天气	温度	湿度	风力	是否运动
晴天	30	高	弱	否
晴天	32	高	强	否
阴天	28	高	弱	是
雨天	24	正常	弱	是
雨天	20	正常	强	否

计算每个特征的基尼指数：
- 对离散特征（如天气），分别计算不同类别划分后的基尼指数。
- 对连续特征（如温度），尝试所有划分点，计算每个划分点的基尼指数。
选择最优特征和划分点：
- 选择基尼指数最小的划分点。
生成子树：
- 对每个子集递归分裂，直到满足停止条件。

4. 回归树

(1) 分裂标准

对于回归任务，CART 使用**均方误差（MSE）**作为分裂标准：

$MSE(D) = \frac{1}{|D|} \sum_{i=1}^{|D|} \left(y_i - \bar{y}\right)^2$

其中：

$y_i$ ：第 i 个样本的目标值。
$\bar{y}$ ：节点中所有样本目标值的均值。

节点分裂的误差计算为：

$MSE_{split}(D) = \frac{|D_1|}{|D|} MSE(D_1) + \frac{|D_2|}{|D|} MSE(D_2)$

最佳划分点是使 $MSE_{split}(D)$ 最小的特征和对应的划分点。

(2) 示例：回归树

假设我们有如下数据集（目标值为房价）：

面积（平方米）	房价（万元）
50	150
60	180
70	210
80	240
90	270

尝试划分点：
- 例如，划分点为 656565。
- 左子集：{50,60}，右子集：{70, 80, 90}。
计算误差：
- 左子集的均值： $\bar{y}_L = (150 + 180) / 2 = 165$ 。
- 右子集的均值： $\bar{y}_R = (210 + 240 + 270) / 3 = 240$ 。
- 计算分裂后的总均方误差。
选择最佳划分点：
- 选择误差最小的划分点，继续构造子树。

5. 剪枝

CART 使用后剪枝来防止过拟合：

生成完全生长的决策树。
计算子树的损失函数：

其中：
- $T_i$ ：第 i 个叶子节点。
- $|T|$ ：叶子节点的数量。
- α：正则化参数，控制树的复杂度。
剪去对验证集性能提升不大的分支。

6. CART 的优缺点

优点

生成二叉树，逻辑清晰，易于实现。
支持分类和回归任务。
支持连续特征和缺失值处理。
剪枝机制增强了泛化能力。

缺点

易受数据噪声影响，可能生成复杂的树。
对高维数据表现一般，无法处理稀疏特征。
生成的边界是轴对齐的，可能不适用于复杂分布。

7. 与其他决策树算法的比较

特点	ID3	C4.5	CART
划分标准	信息增益	信息增益比	基尼指数 / MSE
支持连续特征	否	是	是
树结构	多叉树	多叉树	二叉树
剪枝	无	后剪枝	后剪枝
应用	分类	分类	分类与回归

8. 代码实现

以下是一个简单的 CART 分类树实现：

import numpy as np# 计算基尼指数
def gini_index(groups, classes):total_samples = sum(len(group) for group in groups)gini = 0.0for group in groups:size = len(group)if size == 0:continuescore = 0.0for class_val in classes:proportion = [row[-1] for row in group].count(class_val) / sizescore += proportion ** 2gini += (1 - score) * (size / total_samples)return gini# 划分数据集
def split_data(data, index, value):left, right = [], []for row in data:if row[index] < value:left.append(row)else:right.append(row)return left, right# 示例数据
dataset = [[2.771244718, 1.784783929, 0],[1.728571309, 1.169761413, 0],[3.678319846, 2.81281357, 0],[3.961043357, 2.61995032, 0],[2.999208922, 2.209014212, 1],
]# 计算基尼指数
split = split_data(dataset, 0, 2.5)
gini = gini_index(split, [0, 1])
print("基尼指数:", gini)

输出结果