Python中的决策树机器学习模型简要介绍和代码示例（基于sklearn）

一、决策树定义

决策树是一种监督学习算法，可用于**分类（Classification）和回归（Regression）**任务。

它的结构类似树状结构：

• 内部节点：特征条件（如X > 2）
• 叶子节点：输出类别或数值
• 路径：对应一系列条件组合

---

二、决策树的基本概念

1. 信息熵（Entropy）

衡量样本集合的不确定性：

$$H(D)=-\sum _{k=1}^K{p}_k{\log }_2{p}_k$$

其中：

• $D$：样本集合
• $p_k$：类别 $k$ 的概率

---

2. 信息增益（Information Gain）

衡量某特征对信息熵的降低程度：

$$IG(D,A)=H(D)-\sum _{v=1}^V\frac{|D^v|}{|D|}H(D^v)$$

• $D^v$：按特征 $A$ 值划分的子集
• 常用于 ID3 算法

---

3. 信息增益率（Gain Ratio）

用于 C4.5 算法，避免信息增益偏好取值多的特征：

$$\text{GainRatio}(D,A)=\frac{IG(D,A)}{IV(A)}$$

• $IV(A)=-{\sum }_{v=1}^V\frac{|D^v|}{|D|}{\log }_2\frac{|D^v|}{|D|}$

---

4. Gini系数（Gini Impurity）

CART 分类算法使用的分裂标准：

$$Gini(D)=1-\sum _{k=1}^K{p}_k^2$$

越小表示纯度越高。

---

5. 均方误差（MSE）

用于决策树回归：

$$MSE=\frac{1}{N}\sum _{i=1}^N(y_i-\hat{y}{)}^2$$

其中 $\hat{y}$ 是某叶子节点上的预测值。

---

三、决策树的算法流程（以分类为例）

1. 选择最优划分特征

   • 使用信息增益 / 信息增益率 / Gini 系数

2. 划分数据集

   • 递归构建子树

3. 停止条件

   • 数据已纯净 / 特征用尽 / 达到最大深度

4. 剪枝（可选）

   • 预剪枝 / 后剪枝，防止过拟合

---

四、实际示例

我们用一个简单的例子说明：

天气	温度	湿度	风	打球
晴	高	高	弱	否
晴	高	高	强	否
阴	高	高	弱	是
雨	中	高	弱	是
雨	低	正常	弱	是
雨	低	正常	强	否
阴	低	正常	强	是

目标是预测“是否打球”。

---

五、代码实现

示例使用 Python + scikit-learn 实现

（1）决策树分类 + 可视化

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, plot_tree
import matplotlib.pyplot as plt# 加载数据
X, y = load_iris(return_X_y=True)# 创建模型
clf = DecisionTreeClassifier(criterion='entropy', max_depth=3)
clf.fit(X, y)# 预测
y_pred = clf.predict(X[:5])
print("预测结果:", y_pred)# 可视化
plt.figure(figsize=(12, 8))
plot_tree(clf, filled=True, feature_names=load_iris().feature_names, class_names=load_iris().target_names)
plt.show()

---

（2）决策树回归 + 可视化

from sklearn.tree import DecisionTreeRegressor
import numpy as np
import matplotlib.pyplot as plt# 模拟数据
X = np.sort(5 * np.random.rand(80, 1), axis=0)
y = np.sin(X).ravel() + np.random.normal(0, 0.1, X.shape[0])# 模型训练
reg = DecisionTreeRegressor(max_depth=4)
reg.fit(X, y)# 可视化预测
X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]
y_pred = reg.predict(X_test)plt.figure(figsize=(10, 6))
plt.scatter(X, y, s=20, edgecolor="black", c="darkorange", label="data")
plt.plot(X_test, y_pred, color="cornflowerblue", label="prediction")
plt.legend()
plt.title("Decision Tree Regression")
plt.show()

---

六、超参数 & 控制项

参数	说明
criterion	划分标准（gini, entropy, squared_error）
max_depth	最大深度
min_samples_split	内部节点最小样本数
min_samples_leaf	叶子节点最小样本数
max_features	用于划分的特征数

---

七、剪枝技巧

决策树容易过拟合训练数据，特别是当树结构过深时。剪枝用于控制模型复杂度，提高泛化能力。

---

1、剪枝类型概览

类型	说明
预剪枝（Pre-Pruning）	在构建过程中限制深度、叶子样本数等
后剪枝（Post-Pruning）	构建完决策树后，自底向上裁剪不必要的分支

本内容聚焦在 后剪枝实现。

---

2、后剪枝算法思想

基本流程：

1. 从叶子节点向上回溯每个子树
2. 判断当前子树（有分支） vs 将其剪成叶子节点谁的准确率更高（或损失更小）
3. 若剪枝后效果更好 ⇒ 剪枝（用子树上样本的多数类替代）

---

3、后剪枝代码实现（基于自己实现的决策树）

下面是一个简洁的 ID3 决策树分类 + 后剪枝的完整实现：

1. 数据准备

from collections import Counter# 简化示例数据
data = [['晴', '高', '弱', '否'],['晴', '高', '强', '否'],['阴', '高', '弱', '是'],['雨', '中', '弱', '是'],['雨', '低', '弱', '是'],['雨', '低', '强', '否'],['阴', '低', '强', '是']
]# 特征名称
features = ['天气', '温度', '风']

---

2. 构建决策树（ID3）

def entropy(data):labels = [row[-1] for row in data]counter = Counter(labels)total = len(data)return -sum((count/total) * (count/total).bit_length() for count in counter.values())def split_dataset(data, axis, value):return [row[:axis] + row[axis+1:] for row in data if row[axis] == value]def choose_best_feature(data):base_entropy = entropy(data)best_gain = 0best_feature = -1num_features = len(data[0]) - 1for i in range(num_features):values = set(row[i] for row in data)new_entropy = 0for val in values:subset = split_dataset(data, i, val)prob = len(subset) / len(data)new_entropy += prob * entropy(subset)gain = base_entropy - new_entropyif gain > best_gain:best_gain = gainbest_feature = ireturn best_featuredef majority_class(data):labels = [row[-1] for row in data]return Counter(labels).most_common(1)[0][0]def build_tree(data, features):labels = [row[-1] for row in data]if labels.count(labels[0]) == len(labels):return labels[0]if len(features) == 0:return majority_class(data)best_feat = choose_best_feature(data)best_feat_name = features[best_feat]tree = {best_feat_name: {}}feat_values = set(row[best_feat] for row in data)sub_features = features[:best_feat] + features[best_feat+1:]for val in feat_values:subset = split_dataset(data, best_feat, val)tree[best_feat_name][val] = build_tree(subset, sub_features)return tree

---

3. 后剪枝实现

def classify(tree, features, sample):if not isinstance(tree, dict):return treeroot = next(iter(tree))sub_tree = tree[root]idx = features.index(root)value = sample[idx]subtree = sub_tree.get(value)if not subtree:return Nonereturn classify(subtree, features, sample)def accuracy(tree, features, data):correct = 0for row in data:if classify(tree, features, row[:-1]) == row[-1]:correct += 1return correct / len(data)def prune_tree(tree, features, data):if not isinstance(tree, dict):return treeroot = next(iter(tree))idx = features.index(root)new_tree = {root: {}}for val, subtree in tree[root].items():subset = [row for row in data if row[idx] == val]if not subset:new_tree[root][val] = subtreeelse:pruned_subtree = prune_tree(subtree, features[:idx] + features[idx+1:], split_dataset(data, idx, val))new_tree[root][val] = pruned_subtree# 尝试剪枝为单叶节点flat_labels = [row[-1] for row in data]majority = majority_class(data)# 原树精度original_acc = accuracy(new_tree, features, data)# 剪枝后精度（所有预测为多数类）pruned_acc = flat_labels.count(majority) / len(flat_labels)if pruned_acc >= original_acc:return majorityelse:return new_tree

---

4. 使用示例

# 构建树
tree = build_tree(data, features)
print("原始决策树：", tree)# 后剪枝
pruned = prune_tree(tree, features, data)
print("剪枝后树：", pruned)

---

4、剪枝效果展示（示意）

原始决策树：
{'天气': {'雨': {'风': {'弱': '是', '强': '否'}},'阴': '是','晴': {'风': {'弱': '否', '强': '否'}}
}}剪枝后树：
{'天气': {'雨': '是','阴': '是','晴': '否'
}}

---

八、优缺点总结

优点：

• 易理解，树结构直观
• 可处理分类与回归
• 可解释性强

缺点：

• 容易过拟合
• 对小变化敏感
• 对连续变量划分不如 ensemble 方法鲁棒

---