当前位置：首页 > news >正文

【机器学习】决策树

news 来源：原创 2025/9/20 20:35:21

一、什么是决策树？

想象一下你玩“二十个问题”游戏的场景，你通过问一系列“是”或“否”的问题来猜测对方心中的物体。决策树的工作方式与此非常相似。它本质上是一个流程图结构，其中：

每个内部节点（Internal Node）代表对一个特征（属性）的测试
每个分支（Branch）代表测试的结果
每个叶节点（Leaf Node）代表最终的决策结果或类别标签
最顶端的节点称为根节点（Root Node）

数据从根节点开始，根据特征测试的结果，沿着树的分支向下移动，最终到达一个叶节点，这个叶节点就给出了数据的预测分类。

目标： 决策树学习的目标是创建一棵能够高效、准确地对数据进行分类或回归的树。理想情况下，我们希望每个叶节点都尽可能“纯净”，即包含的样本都属于同一个类别。

二、决策树如何“学习”？—— 核心：选择最佳分裂特征

决策树的学习过程，本质上是一个递归地选择最优特征，并根据该特征对数据集进行分割，使得各个子数据集获得最大“纯度”的过程。想象一下，我们站在树的某个节点，手里有一堆数据样本，我们需要决定问哪个“问题”（即选择哪个特征进行测试）最能有效地将不同类别的样本分开，引导它们走向正确的叶节点。

目标： 我们希望每次分裂后，生成的子节点（数据子集）内部的类别尽可能单一，也就是纯度（Purity）越来越高，或者说不确定性（Uncertainty/Impurity）越来越低。

挑战： 如何量化“最有效”？我们需要一个明确的数学指标来评估不同特征分裂带来的“纯度提升”或“不确定性降低”程度。这就是分裂标准（Splitting Criteria）发挥作用的地方。下面我们详细介绍三种最常用的分裂标准：

1. 信息增益（Information Gain） - ID3 算法的选择

信息增益是基于信息论中**熵（Entropy）的概念。

熵（Entropy）： 首先，我们需要衡量当前数据集合 D 的不确定性。熵就是这样一个度量，它表示了数据集 D 中样本类别分布的混乱程度。熵越大，表示数据集的类别越混合，不确定性越高，纯度越低。
- 计算公式： Entropy(D) = - Σ_{k=1}^{|y|} (p_k * log2(p_k)) 其中，|y| 是类别的总数，p_k 是数据集中属于第 k 类样本的比例。如果某个子集完全属于同一类别，则其熵为 0（最纯净）。如果类别均匀分布，则熵达到最大值。
条件熵（Conditional Entropy）： 接下来，我们考虑如果使用某个特征 A 来分裂数据集 D，分裂后的数据不确定性会变成多少。假设特征 A 有 V 个可能的取值 {a¹, a², ..., aᵛ}，它会将数据集 D 分裂成 V 个子集 {D¹, D², ..., Dᵛ}。条件熵 Entropy(D|A) 表示在已知特征 A 的取值后，数据集 D 的熵的期望值。
- 计算公式： Entropy(D|A) = Σ_{v=1}^{V} (|Dᵛ| / |D|) * Entropy(Dᵛ) 这里，|Dᵛ| 是子集 Dᵛ 中样本的数量，|D| 是父节点 D 中样本的总数。它计算的是按特征 A 分裂后，所有子节点熵的加权平均值（权重是各子节点样本数占父节点样本数的比例）。
信息增益（Information Gain）： 现在我们可以定义信息增益了。它表示的是：使用特征 A 对数据集 D 进行划分所带来的不确定性减少量（即纯度提升量）。
- 计算公式： InfoGain(D, A) = Entropy(D) - Entropy(D|A) 信息增益越大，意味着选择特征 A 进行分裂后，数据集的不确定性降低得越多，纯度提升得越明显。因此，ID3 算法在选择分裂特征时，会选择那个使得信息增益最大的特征。
信息增益的缺点： 一个需要注意的问题是，信息增益倾向于偏好那些具有大量不同取值的特征。例如，如果数据集中有一个“ID”列（每个样本都有唯一值），那么按 ID 分裂会得到最大的信息增益（每个子节点熵为0），但这显然是无意义的，因为它不能泛化到新数据。为了解决这个问题，C4.5 算法引入了信息增益率。

2. 信息增益率（Information Gain Ratio） - C4.5 算法的选择

信息增益率是对信息增益的一种修正，旨在减少其对多值特征的偏好。

分裂信息（Split Information / Intrinsic Value）： 首先，我们需要计算特征 A 本身的“固有值”或“分裂信息”，它衡量了使用特征 A 进行分裂的广度和均匀性。特征 A 的取值越多、越分散，其分裂信息通常越大。
- 计算公式： SplitInfo(D, A) = - Σ_{v=1}^{V} (|Dᵛ| / |D|) * log2(|Dᵛ| / |D|) 注意这个公式形式上与熵很相似，但它衡量的是特征 A 取值的分布情况，而不是类别标签的分布情况。
信息增益率（Gain Ratio）： 信息增益率定义为信息增益与分裂信息的比值。
- 计算公式： GainRatio(D, A) = InfoGain(D, A) / SplitInfo(D, A) 通过除以 SplitInfo(D, A)，信息增益率惩罚了那些自身取值非常多的特征（因为它们的 SplitInfo 会很大）。这样，即使某个多值特征有较高的信息增益，但如果其分裂信息也很大，它的增益率就会被拉低，从而避免了 ID3 算法的偏好性。
选择标准： C4.5 算法选择信息增益率最大的特征作为分裂特征。
- 注意： 当 SplitInfo 非常小时（例如，特征只有一个取值，或几乎所有样本都在一个取值上），增益率可能会变得非常大或不稳定。因此，C4.5 算法通常采用一个启发式策略：先找出信息增益高于平均水平的特征，然后在这些候选特征中选择信息增益率最高的那个。

3. 基尼指数（Gini Impurity） - CART 算法的选择

基尼指数是另一种衡量数据纯度的指标，由 CART（Classification And Regression Trees）算法使用。

基尼值（Gini Value）： 它衡量的是从数据集 D 中随机抽取两个样本，其类别标签不一致的概率。
- 计算公式： Gini(D) = Σ_{k=1}^{|y|} p_k * (1 - p_k) = 1 - Σ_{k=1}^{|y|} (p_k)² 基尼值越小，表示数据集的纯净度越高。当所有样本属于同一类时，Gini(D) = 0。当样本均匀分布在所有类别时，基尼值最大。
基尼指数（Gini Index）： 对于一个使用特征 A 进行分裂的操作，基尼指数衡量的是分裂后子节点基尼值的加权平均。CART 通常进行二元分裂（即使特征有多个取值，也会找到一个最优的二分点或二分组）。假设特征 A 将数据集 D 分成 D₁ 和 D₂ 两部分：
- 计算公式： Gini_split(D, A) = (|D₁| / |D|) * Gini(D₁) + (|D₂| / |D|) * Gini(D₂)
选择标准： CART 算法在选择分裂特征（以及分裂点/分组）时，会选择那个使得分裂后基尼指数 Gini_split 最小的特征和分裂方式。 这同样意味着它在追求分裂后子节点的最高纯度。
与熵的比较： 基尼指数的计算通常比熵略快一些，因为它不涉及对数运算。在实践中，两者产生的结果往往非常相似。

算法	分裂标准	核心思想	特点/倾向性
ID3	信息增益 (Gain)	最大化熵的减少量	倾向于选择取值多的特征
C4.5	信息增益率 (Ratio)	最大化 (信息增益 / 分裂信息)	对信息增益进行修正，减少对多值特征的偏好
CART	基尼指数 (Gini)	最小化分裂后的不纯度（基尼指数）	计算相对简单，通常用于二叉树构建

三、决策树的优缺点

优点：

易于理解和解释： 树状结构非常直观，可以轻松可视化。
数据预处理要求低： 不需要像某些模型那样进行严格的数据归一化。可以同时处理数值型和类别型数据。
非参数模型： 对数据的分布没有太多假设。

缺点：

容易过拟合（Overfitting）： 决策树可能创建出过于复杂的树，完美拟合训练数据，但在新数据上表现不佳。需要进行剪枝（Pruning）等操作来缓解。
对数据微小变化敏感： 数据微小的变动可能导致生成完全不同的树。
可能产生偏见： 对于样本数量差异很大的类别，决策树可能偏向于样本多的类别。

四、实战案例：贷款申请分类

我们的目标是根据申请人的年龄段、是否有工作、是否有自己的房子、信贷情况这四个特征，来预测银行是否应该批准贷款（类别）。

1. 数据准备：(数据集如下)

我们使用了以下编码来处理数据：

年龄段: 0=青年, 1=中年, 2=老年
有工作: 0=否, 1=是
有自己的房子: 0=否, 1=是
信贷情况: 0=一般, 1=好, 2=非常好
类别 (是否给贷款): 0=否, 1=是

2. 模型构建与实现 (Python & Scikit-learn):

我们使用了 Python 的 scikit-learn 库来构建模型。

import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score# --- 1. 数据准备 ---
# 训练数据 (已根据规则编码)
X_train_list = [[0, 0, 0, 0], [0, 0, 0, 1], [0, 1, 0, 1], [0, 1, 1, 0], [0, 0, 1, 0],[1, 0, 0, 0], [1, 0, 0, 1], [1, 1, 1, 1], [1, 0, 1, 2], [1, 0, 1, 2],[2, 0, 1, 2], [2, 0, 1, 1], [2, 1, 0, 1], [2, 1, 0, 2], [2, 0, 0, 0],[2, 0, 0, 2]
]
y_train_list = [0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0, 0]# 测试数据 (已根据规则编码)
X_test_list = [[0, 0, 0, 1], [0, 1, 0, 1], [1, 0, 1, 2], [1, 0, 0, 1],[2, 1, 0, 2], [2, 0, 0, 0], [2, 0, 0, 2]
]
y_test_list = [0, 1, 1, 0, 1, 0, 0]# 转换为 NumPy 数组
X_train = np.array(X_train_list)
y_train = np.array(y_train_list)
X_test = np.array(X_test_list)
y_test = np.array(y_test_list)# --- 2. 使用基尼指数 (Gini Impurity) 构建决策树 ---
# 初始化决策树分类器，criterion='gini' 指定使用基尼指数
gini_tree = DecisionTreeClassifier(criterion='gini', random_state=42)
gini_tree.fit(X_train, y_train) # 训练模型
gini_predictions = gini_tree.predict(X_test) # 预测测试集
gini_accuracy = accuracy_score(y_test, gini_predictions) # 计算精度# --- 3. 使用信息增益 (Entropy) 构建决策树 ---
# 初始化决策树分类器，criterion='entropy' 指定使用信息增益
entropy_tree = DecisionTreeClassifier(criterion='entropy', random_state=42)
entropy_tree.fit(X_train, y_train) # 训练模型
entropy_predictions = entropy_tree.predict(X_test) # 预测测试集
entropy_accuracy = accuracy_score(y_test, entropy_predictions) # 计算精度# --- 4. 输出结果 ---
print("--- 测试集预测结果与精度 ---")
print(f"真实标签: {y_test}")
print(f"基尼指数模型预测: {gini_predictions}, 精度: {gini_accuracy:.4f}")
print(f"信息增益模型预测: {entropy_predictions}, 精度: {entropy_accuracy:.4f}")

3. 结果分析：

代码运行输出结果为：

可以看到，在这个特定的案例中，无论是使用基尼指数还是信息增益作为分裂标准，构建出的决策树在我们的测试集上都达到了 100% 的预测精度！这意味着模型完美地预测了测试集中每一个申请人的贷款审批结果。

重要提示： 在实际项目中，尤其是在处理更大数据集时，达到100%的精度是比较少见的。这可能是因为我们使用的数据集非常小，并且特征可能恰好能够完美地将训练数据和测试数据分开。对于更复杂、更大型的数据集，通常需要更深入的模型评估（如交叉验证）和调优（如剪枝）来防止过拟合，并获得在未知数据上更可靠的性能。

五、总结

决策树是一种强大且易于理解的分类和回归工具。它通过模拟人类的决策过程，根据数据的特征进行递归划分。选择合适的分裂标准（如基尼指数或信息增益）是构建高效决策树的关键。虽然它有容易过拟合等缺点，但通过适当的技术（如剪枝、集成方法）可以有效缓解。

通过我们的小型贷款审批案例，我们看到了如何应用 scikit-learn 库快速构建和评估决策树模型。尽管结果很理想，但务必记住在真实场景中数据和模型的复杂性。