机器学习-入门-决策树(1)

机器学习-入门-决策树(1)

4.1决策树的基本流程

决策树基于“树”结构进行决策

• 每个“内部结点”对应于某个属性上的“测试”(test)
• 每个分支对应于该测试的一种可能结果（即该属性的某个取值）
• 每个“叶结点”对应于一个“预测结果”

学习过程：通过对训练样本的分析来确定“划分属性”（即内部结点所对应的属性）

预测过程：将测试示例从根结点开始，沿着划分属性所构成的“判定测试序列”下行，直到叶结点

策略：“分而治之” (divide-and-conquer)

• 自根至叶的递归过程
• 在每个中间结点寻找一个“划分” (split or test) 属性

三种停止条件：

1. 当前结点包含的样本全属于同一类别，无需划分；
2. 当前属性集为空，或是所有样本在所有属性上取值相同，无法划分；
3. 当前结点包含的样本集合为空，不能划分。

基本算法

输入：

• 训练集 $D=\{(x_1,y_1),(x_2,y_2),\dots ,(x_m,y_m)\}$
• 属性集 A = { a 1 , a 2 , … , a d } A = \{a_1, a_2, \ldots, a_d\} A={a1​,a2​,…,ad​}

过程：函数 $\text{TreeGenerate}(D,A)$

1. 生成结点 $\text{node}$；
2. if $D$ 中样本全属于同一类别 $C$ then
   • 将 $\text{node}$ 标记为 $C$ 类叶结点；
   • return
3. end if
4. if $A=\varnothing$ OR $D$ 中样本在 $A$ 上取值相同 then
   • 将 $\text{node}$ 标记为叶结点，其类别标记为 $D$ 中样本数最多的类；
   • return
5. end if
6. 从 $A$ 中选择最优划分属性 $a_{\ast }$；
7. for $a_{\ast }$ 的每一个值 $a_{\ast }^v$ do
   • 为 $\text{node}$ 生成一个分支；
   • 令 $D_v$ 表示 $D$ 中在 $a_{\ast }$ 上取值为 $a_{\ast }^v$ 的样本子集；
   • if $D_v$ 为空 then
     • 将分支结点标记为叶结点，其类别标记为 $D$ 中样本最多的类；
     • return
   • else
     • 以 TreeGenerate ( D v , A ∖ { a ∗ } ) \text{TreeGenerate}(D_v, A \setminus \{a_{*}\}) TreeGenerate(Dv​,A∖{a∗​}) 为分支结点；
   • end if
8. end for

输出：以 $\text{node}$ 为根结点的一棵决策树

4.2信息增益划分

信息熵 (Entropy)

信息熵是度量样本集合"纯度"最常用的指标。

定义：
对于样本集合 $D$，其中第 $k$ 类样本所占比例为 $p_k$，信息熵定义为：
$$Ent(D)=-\sum _{k=1}^{|\mathcal{Y}|}{p}_k{\log }_2{p}_k$$

约定：

• 若 $p_k=0$，则 $p_k{\log }_2{p}_k=0$
• $Ent(D)$ 的最小值为 $0$（完全纯净），最大值为 ${\log }_2|\mathcal{Y}|$（完全混乱）

性质：

• $Ent(D)$ 值越小，集合 $D$ 的纯度越高

信息增益：
基于信息熵计算当前划分对信息熵的变化，用于选择最优划分属性。

信息增益 (Information Gain)

定义：
对于离散属性 $a$ 有 $V$ 个取值 { a 1 , a 2 , … , a V } \{a^1, a^2, \ldots, a^V\} {a1,a2,…,aV}，其信息增益公式为：
$$\text{Gain}(D,a)=\text{Ent}(D)-\sum _{v=1}^V\frac{|D^v|}{|D|}\text{Ent}(D^v)$$

符号说明：

• $D^v$：$D$ 中在属性 $a$ 上取值为 $a^v$ 的样本子集
• $\text{Ent}(D)$：划分前的信息熵（原始数据集纯度）
• ${\sum }_{v=1}^V\frac{|D^v|}{|D|}\text{Ent}(D^v)$：划分后的加权信息熵

关键点：

1. $\frac{|D^v|}{|D|}$ 是第 $v$ 个分支的权重（样本越多，分支影响越大）
2. 直接采用信息增益作为属性划分标准
3. 信息增益越大，表示该属性划分带来的纯度提升越显著

4.3其他属性划分准则

信息增益的缺陷

• 对多值属性存在偏好：倾向于选择取值数目多的属性（如"编号"这类无意义属性）
• 示例：若将"编号"作为属性，因其唯一性会导致信息增益最大化，但实际无分类意义

增益率 (Gain Ratio)

定义：
$$\text{Gain\_ratio}(D,a)=\frac{\text{Gain}(D,a)}{\text{IV}(a)}$$
其中 固有值 (Intrinsic Value) 为：
$$\text{IV}(a)=-\sum _{v=1}^V\frac{|D^v|}{|D|}{\log }_2\frac{|D^v|}{|D|}$$

关键性质：

1. $\text{IV}(a)$ 反映属性 $a$ 的取值分散程度：
   • 取值数目 $V$ 越大，$\text{IV}(a)$ 通常越大
2. 作用：通过除以 $\text{IV}(a)$ 惩罚多值属性，缓解信息增益的偏好问题
3. C4.5算法：采用增益率作为属性划分标准

注意：增益率可能对取值较少的属性有偏好，实践中常先筛选信息增益高于平均的属性，再从中选增益率最大的。

基尼指数 (Gini Index)

基尼值的定义

数据集 $D$ 的基尼值衡量从 $D$ 中随机抽取两个样本其类别标记不一致的概率：
$$\text{Gini}(D)=\sum _{k=1}^{|\mathcal{Y}|}\sum _{k^{\prime }\ne k}{p}_k{p}_{k^{\prime }}=1-\sum _{k=1}^{|\mathcal{Y}|}{p}_k^2$$

性质：

• $\text{Gini}(D)$ 越小，数据集 $D$ 的纯度越高
• 取值范围：$0$（完全纯净）到 $1-\frac{1}{|\mathcal{Y}|}$（最大混乱）

属性 $a$ 的基尼指数定义为各子集基尼值的加权和：
$$\text{Gini\_index}(D,a)=\sum _{v=1}^V\frac{|D^v|}{|D|}\text{Gini}(D^v)$$
其中 $D^v$ 是 $D$ 中属性 $a$ 取值为 $a^v$ 的子集。

划分准则：

• 选择使划分后基尼指数最小的属性：
  $$a_{\ast }=argmi{n}_{a\in A}\text{Gini\_index}(D,a)$$

应用：

• CART算法（Classification and Regression Trees）采用基尼指数作为属性划分标准
• 对比信息增益/增益率：基尼指数计算更高效，且对多值属性敏感度较低

示例：
若属性 $a$ 将 $D$ 划分为 $D_1$ 和 $D_2$，则基尼指数为：
$$\text{Gini\_index}(D,a)=\frac{|D_1|}{|D|}\text{Gini}(D_1)+\frac{|D_2|}{|D|}\text{Gini}(D_2)$$

决策树泛化性能的关键因素

划分准则的影响

1. 对树结构的作用

   • 信息增益、增益率、基尼指数等划分标准会显著影响决策树的尺寸（深度、节点数）
   • 实际差异：不同准则产生的树仅在约 2% 的情况下存在划分差异

2. 对泛化性能的局限性

   • 划分准则的选择对模型最终泛化能力影响有限
   • 不同准则（如信息增益 vs 基尼指数）的泛化性能差异通常可忽略

剪枝的核心作用

1. 决定性影响

   • 剪枝方法（预剪枝/后剪枝）及剪枝程度对泛化性能的贡献远大于划分准则
   • 数据带噪时：合理剪枝可能将泛化性能提升高达 25%

2. 噪声数据的适应性

   • 剪枝能有效抑制过拟合，尤其在噪声较多或训练数据不足的场景中

实践建议

• 优先优化剪枝策略：而非过度纠结划分准则的选择
• 鲁棒性设计：在噪声环境中应强制启用剪枝机制