《零基础入门AI:传统机器学习核心算法（决策树、随机森林与线性回归）》
一、决策树（分类）
1. 概念
决策树是一种树形结构的分类模型，通过一系列规则（即树的分支）对数据进行分割。每个内部节点代表一个特征判断，每个分支代表判断结果，每个叶节点代表最终分类结果。
类比：就像玩“20个问题”游戏，通过不断提问缩小答案范围（例如：“是动物吗？”→“有羽毛吗？”→“是鸭子”）。
2. 基于信息增益的决策树（ID3算法）
核心思想：选择能带来最大信息增益的特征作为分割标准。
-
信息熵（Entropy）：度量数据集混乱程度（不确定性）的指标。 信息熵的值越大，表示数据集的混乱程度越高（不确定性越大）。当数据集完全属于同一类别时，信息熵为0（最纯净）。计算公式为：
其中
是第k类样本的比例
示例：二分类数据集（正例50%，负例50%），熵 = - (0.5log₂0.5 + 0.5log₂0.5) = 1（最混乱） -
信息增益（Information Gain）：信息增益表示使用某个特征A进行分割后，数据集混乱程度减少的程度（即信息不确定性的减少）。计算公式为：
特征A对数据集D的信息增益 = 原熵 - 按特征A分割后的加权平均熵
其中 ( D_v ) 是特征A取值为v的子集。 信息增益越大，说明使用该特征分割后数据越纯净。
决策原则：选择信息增益最大的特征作为当前节点
3. 基于基尼指数的决策树（CART算法）
基尼指数（Gini Index）：衡量数据不纯度（值越小越纯）， 基尼指数越小，表示数据集的纯度越高。当数据集完全属于同一类别时，基尼指数为0。
示例：二分类（正例100%），基尼指数=1-(1²+0²)=0（最纯）
分割后基尼指数计算类似信息增益的加权平均
4. 两种方法对比
| 方法 | 特点 |
|---|---|
| 信息增益（ID3） | 倾向于选择取值多的特征 |
| 基尼指数（CART） | 计算更简单，常用作默认 |
5. 决策树建立步骤
- 计算所有特征的信息增益/基尼指数
- 选择最佳特征作为根节点
- 按特征值划分数据集
- 递归构建子树
- 终止条件：节点样本全同类/无特征可用/达最大深度
6. 决策树的优缺点
- 优点：模型直观，易于理解和解释；不需要对数据进行复杂的预处理（如归一化）。
- 缺点：容易过拟合（即过度适应训练数据，在测试数据上表现差）；对数据中的噪声敏感。
7. sklearn API
from sklearn.tree import DecisionTreeClassifier
# criterion可选 'entropy' 或 'gini'
model = DecisionTreeClassifier(criterion='gini',max_depth=3) # 限制树深度防过拟合
8. 示例：鸢尾花分类
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据
iris = load_iris()
X, y = iris.data, iris.target
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 训练决策树（基尼指数）
model = DecisionTreeClassifier(max_depth=2)
model.fit(X_train, y_train)
# 评估
accuracy = model.score(X_test, y_test) # 如0.93
二、随机森林（集成学习方法）
1. 随机森林的概念
随机森林是一种集成学习算法，它通过构建多个决策树并将它们的预测结果进行组合（投票）来提高模型的准确性和鲁棒性（健壮性）。随机森林的核心思想是“三个臭皮匠，顶个诸葛亮”。
2. 算法原理
随机森林（Random Forest）是多个决策树的集成模型，核心思想：
- Bagging（自助采样）：每棵决策树在训练时，使用从原始训练集中有放回地随机抽取的子集（称为自助样本集）。
- 特征随机性：在每棵树的每个节点分裂时，随机选择一个特征子集（通常为特征总数的平方根），然后从中选择最优特征进行分裂。
通过这两种随机性，随机森林中的每棵树都各不相同，且具有较低的方差（即减少了过拟合的风险） 。 - 投票机制(预测过程)：即每棵树对样本进行预测，最终选择得票最多的类别作为最终预测结果。
3. 为什么比单棵决策树更好？
- 降低方差：多棵树平均减少过拟合风险
- 增强鲁棒性：对噪声和异常值不敏感
- 处理高维数据：特征随机选择避免维度灾难
4. 数学本质
最终预测函数：( \hat{y} = \text{majority_vote}({h_t(x)}_{t=1}^T) )
其中 ( h_t ) 是第t棵树的预测，T是树的总数
5. sklearn API
from sklearn.ensemble import RandomForestClassifier
# n_estimators: 树的数量, max_features: 分裂时考虑的最大特征数
model = RandomForestClassifier(n_estimators=100, max_features='sqrt')
6. 示例：手写数字识别
from sklearn.datasets import load_digitsdigits = load_digits()
X, y = digits.data, digits.target# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 训练随机森林
model = RandomForestClassifier(n_estimators=50)
model.fit(X_train, y_train)# 评估
accuracy = model.score(X_test, y_test) # 通常 > 0.95
三、线性回归
1. 什么是回归？
回归是监督学习的一种，其目标是预测一个连续值（如房价、温度、销售额等）。与分类任务（预测离散类别）不同，回归任务的输出是实数。
2. 回归 vs 分类
- 分类：预测离散类别（如猫/狗）
- 回归：预测连续数值（如房价、温度）
3. 线性回归模型
假设目标值 ( y ) 与特征 ( x ) 线性相关：
( y = w_0 + w_1 x_1 + w_2 x_2 + … + w_n x_n )
其中：
- ( w_0 )：截距（bias）
- ( w_1,…,w_n )：特征权重（weights）
4. 损失函数（Loss Function）
为了找到最佳的权重参数，我们需要定义一个损失函数来衡量预测值与真实值之间的差异。线性回归使用均方误差（Mean Squared Error, MSE） 作为损失函数：
均方误差（MSE）：
( MSE = \frac{1}{m} \sum_{i=1}^{m} (y_i - \hat{y}_i)^2 )
其中 m 为样本数
5. 最小二乘法求解
目标：找到权重 ( w ) 使 MSE 最小化
闭式解（解析解）：
( W = (X^T X)^{-1} X^T Y )
其中：
- ( X )：设计矩阵（每行一个样本，首列为1）
- ( Y )：目标值向量
几何解释：寻找最佳拟合直线，使所有数据点到直线的垂直距离平方和最小
6. 多参数回归
当输入特征有多个时（如房价预测中面积+房龄+位置），即扩展为多元线性回归，模型扩展为：
( y = w_0 + w_1 x_1 + w_2 x_2 + … + w_n x_n )
7. sklearn API
from sklearn.linear_model import LinearRegression
model = LinearRegression() # 默认使用最小二乘法
8. 示例：波士顿房价预测
from sklearn.datasets import fetch_california_housing # 波士顿数据集已弃用
from sklearn.metrics import mean_squared_errorhousing = fetch_california_housing()
X, y = housing.data, housing.target# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)# 预测并评估
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred) # 均方误差
print("权重:", model.coef_) # 各特征权重
print("截距:", model.intercept_)
算法对比总结
| 算法 | 类型 | 优势 | 局限性 | 适用场景 |
|---|---|---|---|---|
| 决策树 | 分类/回归 | 直观易解释，易可视化，无需特征缩放 | 容易过拟合 | 分类，可解释性要求高 |
| 随机森林 | 分类/回归 | 高精度，抗过拟合 | 计算开销大，可解释性差 | 分类/回归，复杂数据 |
| 线性回归 | 回归 | 计算高效，可解释性强 | 只能拟合线性关系 | 数值预测，线性关系 |