当前位置：首页 > news >正文

机器学习 —— 决策树

news 2025/8/3 7:18:41

机器学习 —— 决策树（Decision Tree）详细介绍

决策树是一种直观且易于解释的监督学习算法，广泛应用于分类和回归任务。它通过模拟人类决策过程，将复杂问题拆解为一系列简单的判断规则，最终形成类似 “树” 状的结构。以下从基础概念、原理、算法类型、优缺点及应用场景等方面展开详细介绍。

一、决策树的基础概念

1. 核心定义

决策树是一种基于树状结构进行决策的模型，每个节点代表对某个特征的判断，每条分支代表该判断的可能结果，叶子节点则代表最终的决策结果（分类任务中为类别，回归任务中为数值）。

2. 基本结构

根节点（Root Node）：树的起点，包含所有样本数据，是第一个特征判断的起点。
内部节点（Internal Node）：表示对某个特征的判断条件（如 “年龄是否> 30 岁”），每个内部节点会根据特征值分裂为多个子节点。
分支（Branch）：连接节点的线段，代表特征判断的结果（如 “是” 或 “否”）。
叶子节点（Leaf Node）：树的终点，输出最终的预测结果（分类任务中为类别标签，回归任务中为预测值）。

示例：用决策树判断 “是否购买电脑”
根节点：收入水平（高 / 中 / 低）→ 内部节点：年龄（<30/30-40/>40）→ 叶子节点：购买 / 不购买。

二、决策树的工作原理

决策树的核心是如何选择特征进行节点分裂，目标是通过分裂使子节点的 “纯度” 更高（即子节点中的样本尽可能属于同一类别或数值更集中）。具体流程如下：

1. 特征选择：如何分裂节点？

特征选择的关键是通过不纯度指标衡量分裂效果，常用指标包括：

（1）信息增益（Information Gain）—— ID3 算法

基于熵（Entropy） 计算，熵衡量样本集合的混乱程度，熵值越低，纯度越高。

熵的计算公式（针对分类任务）：

对于样本集合D，若有k个类别，每个类别占比为pi，则熵为：

信息增益：分裂后子节点的熵与父节点熵的差值，即：

其中A为特征，Dv为特征A取第v个值的子样本集，信息增益越大，特征越优。

（2）信息增益率（Gain Ratio）—— C4.5 算法

解决信息增益偏向多值特征的问题（如 “身份证号” 这类特征分裂后熵极低，但无实际意义）。
信息增益率 = 信息增益 / 特征自身的熵（分裂信息）。

（3）基尼指数（Gini Index）—— CART 算法

衡量从样本中随机抽取两个样本，类别不同的概率，基尼指数越低，纯度越高。
计算公式：

CART 算法通过最小化基尼指数选择特征。

（4）均方误差（MSE）—— 回归树

针对回归任务，用子节点样本的均方误差衡量分裂效果，MSE 越小越好：

其中yˉ为子节点样本的均值。

2. 树的构建过程

从根节点开始，计算所有特征的不纯度指标（如信息增益）。
选择最优特征进行分裂，将样本分配到子节点。
对每个子节点重复步骤 1-2，直到满足停止条件：
- 子节点样本全部属于同一类别（分类）或数值方差小于阈值（回归）。
- 节点样本数小于最小分裂阈值。
- 树的深度达到预设最大值。

3. 剪枝：防止过拟合

决策树若完全生长可能导致过拟合（对训练数据拟合过好，泛化能力差），需通过剪枝优化：

预剪枝（Pre-pruning）：在树构建过程中提前停止分裂（如限制深度、最小样本数）。
后剪枝（Post-pruning）：先构建完整树，再移除对泛化能力无帮助的分支（如通过交叉验证判断分支是否保留）。

三、常见决策树算法对比

算法	任务类型	特征选择指标	树结构	优势	缺点
ID3	分类	信息增益	多叉树	简单直观	不支持连续特征，易过拟合
C4.5	分类	信息增益率	多叉树	支持连续特征、缺失值处理	计算复杂，不支持回归
CART	分类 / 回归	基尼指数（分类）、MSE（回归）	二叉树	可处理分类和回归，效率高	对不平衡数据敏感

四、决策树的优缺点

优点

可解释性强：树结构直观，能清晰展示决策规则（如 “若年龄> 30 且收入高，则购买”）。
无需特征预处理：对特征缩放、归一化不敏感，可直接处理类别型和数值型特征。
训练效率高：基于贪心算法，计算复杂度较低（尤其 CART 树）。
抗噪声能力较强：通过剪枝可减少噪声影响。

缺点

易过拟合：未剪枝的树可能过度拟合训练数据，泛化能力差。
对样本敏感：训练数据微小变化可能导致树结构大幅改变（稳定性差）。
偏向高维特征：信息增益等指标可能优先选择多值特征。
难以处理非线性关系：单个决策树对复杂数据的拟合能力有限（可通过集成学习弥补）。

五、决策树的扩展：集成学习

为解决单个决策树的局限性，衍生出集成学习方法，通过组合多个决策树提升性能：

随机森林（Random Forest）：多个决策树的投票 / 平均，通过随机采样样本和特征降低方差。
梯度提升树（GBDT）：迭代生成决策树，每个树修正前序树的误差，提升精度。
XGBoost/LightGBM：优化的 GBDT 实现，效率和精度更优，广泛用于竞赛和工业界。

六、应用场景

决策树因其易解释性和实用性，在多个领域广泛应用：

金融风控：信用评分（如 “收入> 5 万且无逾期，则贷款批准”）。
医疗诊断：疾病判断（根据症状特征逐步排查病因）。
客户分类：用户画像与行为预测（如 “高活跃度且消费频繁的用户为优质客户”）。
工业质检：通过特征判断产品是否合格。
回归预测：房价预测、销量预测等（回归树）。

总结

决策树是一种简单高效的监督学习算法，核心是通过不纯度指标选择特征分裂节点，结合剪枝优化避免过拟合。尽管存在稳定性差等局限，但通过集成学习（如随机森林、GBDT）可显著提升性能，使其成为工业界和学术界的重要工具。理解决策树的原理是掌握集成学习的基础，也是机器学习入门的核心知识点之一。

用一个简单案例说明ID3的计算方法

数据如图所示

以下是使用 ID3 算法 构建决策树的详细计算过程，基于你提供的天气数据集（判断是否适合户外运动 play），步骤如下：

1. 数据集与目标

数据集：包含 14 条样本，特征为 outlook（天气）、temperature（温度）、humidity（湿度）、windy（是否有风），标签为 play（是否适合运动，yes/no）。
目标：用 ID3 算法选择特征、构建决策树，实现对 play 的分类。

2. ID3 核心思想：用信息增益（Information Gain）选择最优特征

信息增益公式：

H(D)：数据集 D 的 经验熵（衡量标签不确定性）。
H(Dv)：特征 A 取值为 v 时子集 Dv 的经验熵。
信息增益越大，特征对分类结果的 “区分度” 越高，优先选它做决策节点。

3. 计算步骤

步骤 1：计算数据集 D 的经验熵 H(D)

标签 play 的分布：

yes：9 条（索引 2,3,4,6,8,9,10,11,12）
no：5 条（索引 0,1,7,13,5）

经验熵公式：

其中 pk 是标签 k 的占比。

代入计算：

步骤 2：对每个特征，计算信息增益 IG(D,A)

特征 1：`outlook`（取值：sunny、overcast、rainy）

子集划分：
- sunny（D1）：5 条（索引 0,1,7,8,10）→ play 分布：no（3 条）、yes（2 条）
- overcast（D2）：4 条（索引 2,6,11,12）→ play 分布：yes（4 条）、no（0 条）
- rainy（D3）：5 条（索引 3,4,5,9,13）→ play 分布：yes（3 条）、no（2 条）
计算各子集的经验熵：

信息增益 IG(D,outlook)：

特征 2：`temperature`（取值：hot、mild、cool）

子集划分：
- hot（D1）：4 条（索引 0,1,2,12）→ play 分布：yes（2 条）、no（2 条）
- mild（D2）：6 条（索引 3,7,9,10,11,13）→ play 分布：yes（4 条）、no（2 条）
- cool（D3）：4 条（索引 4,5,6,8）→ play 分布：yes（3 条）、no（1 条）
计算各子集的经验熵：

信息增益 IG(D,temperature)：

特征 3：`humidity`（取值：high、normal）

子集划分：
- high（D1）：7 条（索引 0,1,2,3,7,11,13）→ play 分布：yes（3 条）、no（4 条）
- normal（D2）：7 条（索引 4,5,6,8,9,10,12）→ play 分布：yes（6 条）、no（1 条）
计算各子集的经验熵：

信息增益 IG(D,humidity)：

特征 4：`windy`（取值：FALSE、TRUE）

子集划分：
- FALSE（D1）：8 条（索引 0,2,3,4,7,8,9,12）→ play 分布：yes（6 条）、no（2 条）
- TRUE（D2）：6 条（索引 1,5,6,10,11,13）→ play 分布：yes（3 条）、no（3 条）
计算各子集的经验熵：