鸢尾花数据集上描绘决策树的决策面图
决策树是一种非参数的监督学习方法，可用于分类和回归的应用中。旨在通过数据学习出简单的决策规则来创建模型，进而预测和判定目标变量的结果。
** 决策树的工作原理 **
顾名思义，决策树以「树」这样的数据结构来进行分类或预测决策，在分类应用中，树中的每个节点构成类标签，叶子节点就是最终的分类类标号；树中的分支由决策规则组成。
一旦决策树构造好了，对目标变量进行分类时，从树的根节点开始，依次经过不同的规则分支，达到叶子节点，该叶子节点的类标号即为该目标变量的分类结果。
** 如何构造决策树 **
构造决策树的步骤为：
1、开始的时候，所有记录当作一个节点；
2、选择一个属性测试条件用于分割节点，往往需要遍历每一种分割方式，以找到最好的分割点；
3、将节点分割，作为其子节点，如分割成N1和N2；
4、对子节点，如N1和N2，继续执行第2、3步，直到节点满足停止分割的条件。
从步骤中，我们可以看出，整个算法必须解决「如何停止分割」和「如何选择分割」两个关键问题。
为此，需要引入不纯度来度量每个节点，即度量节点中的记录够不够纯净，是否都是同一类别的记录。不纯度的计算方式包括：
1、熵， Entropy = - sum( p(i) * log(p(i)) )
2、Gini不纯度，Gini = 1 - sum( p(i) * p(i) )
3、错误率，Error = 1 - max(p(i))
注：p(i)为节点中第i种类别记录的占比。
一种停止分割的方法是，当节点的不纯度满足一定条件时，则不再对该节点继续分割。而属性测试条件的选择也可用不纯度来衡量，当父节点和子节点不纯度差别越大时，说明分割得越好。
若想了解具体的实现，可参考决策树的scikit-learn源码。
** 决策树的优缺点 **
优点
- 简单易懂，可解释性强，且构造的树能够可视化。
- 只需要较少的数据准备，而其他一些技术常常需要做数据标准化、哑变量的创建等等数据准备工作。
- 使用成本低，一旦创建了树，对目标变量的决策所需要消耗的时间很少。
- 能够同时处理数值和分类变量，其他的一些技术往往只能处理特定数据类型的变量。
- 能处理多输出问题。
- 可使用统计检验来验证模型，从而可保证模型的可靠性。
缺点
- 容易出现过拟合，特别是在构造了过于复杂的树的情况下。
- 不够稳定，哪怕是训练数据出现了一点小的变化，最后生成的树也可能千差万别。
- 训练寻找一个最优的决策树是一个NP完全问题，因此决策树的构造算法也多使用贪心算法，得到的往往是一个局部最优结果。
- 对于异或、多路复用等问题，决策树表现一般，因为决策树很难去表达它们。
剪枝
当构造的决策树节点过多，显得过于复杂、过于「茂盛」时，就容易出现过拟合的现象，此时需要对树进行剪枝。剪枝方法包括前置剪枝和后置剪枝，也叫先剪枝和后剪枝。
前置剪枝，即在构造树的时候就进行剪枝，这样在产生完全拟合训练数据之前就停止决策树的生长了。为做到这一点，通常采用更具有限制性的分割结束条件，如控制节点数，设置较高的分割阈值等。
后置剪枝，初始决策树按照最大规模生长，完全拟合训练数据，然后在进行剪枝步骤，如用新的叶子节点替换子树，或用子树中最常见的分支代替子树。
** 示例 **
下面示例使用决策树对鸢尾花进行分类计算，scikit-learn自带的鸢尾花数据集中有4个属性，示例中将每两两属性为一组，使用决策树从训练数据中学习得到对应的分类阈值规则，然后组成分类的决策边界。
示例绘制了决策树分类结果的决策面，该示例来源于scikit-learn，详细代码如下：
# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
# 参数
n_classes = 3
plot_colors = "bry"
plot_step = 0.02
# 鸢尾花数据加载
iris = load_iris()
# 鸢尾花数据有4个属性，取两两属性为一组，遍历
for pairidx, pair in enumerate([[0, 1], [0, 2], [0, 3],
[1, 2], [1, 3], [2, 3]]):
# 每次取两个属性的数据
X = iris.data[:, pair]
y = iris.target
# 训练分类器
clf = DecisionTreeClassifier().fit(X, y)
# 绘制决策边界，共2行3列6个子图，每组属性画一个图
plt.subplot(2, 3, pairidx + 1)
# 生成坐标矩阵数据
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
np.arange(y_min, y_max, plot_step))
# 使用分类器计算每个坐标点的分类，并绘制分类结果矩阵的等高线
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)
# 使用属性特征名作为横纵坐标名
plt.xlabel(iris.feature_names[pair[0]])
plt.ylabel(iris.feature_names[pair[1]])
plt.axis("tight")
# 绘制训练数据点，并用不同颜色区分
for i, color in zip(range(n_classes), plot_colors):
idx = np.where(y == i)
plt.scatter(X[idx, 0], X[idx, 1], c=color, label=iris.target_names[i],
cmap=plt.cm.Paired)
plt.axis("tight")
plt.suptitle("Decision surface of a decision tree using paired features")
plt.legend()
plt.show()
更多有关决策树的内容见这里。
（全文完）
网友评论