决策树之CART算法

from:

http://blog.csdn.net/acdreamers/article/details/44664481

在之前介绍过决策树的ID3算法实现，今天主要来介绍决策树的另一种实现，即CART算法。

 

Contents

 

   1. CART算法的认识

   2. CART算法的原理

   3. CART算法的实现

 

 

1. CART算法的认识

 

   Classification And Regression Tree，即分类回归树算法，简称CART算法，它是决策树的一种实现，通

   常决策树主要有三种实现，分别是ID3算法，CART算法和C4.5算法。

 

   CART算法是一种二分递归分割技术，把当前样本划分为两个子样本，使得生成的每个非叶子结点都有两个分支，

   因此CART算法生成的决策树是结构简洁的二叉树。由于CART算法构成的是一个二叉树，它在每一步的决策时只能

   是“是”或者“否”，即使一个feature有多个取值，也是把数据分为两部分。在CART算法中主要分为两个步骤

 

   （1）将样本递归划分进行建树过程

   （2）用验证数据进行剪枝

 

 

2. CART算法的原理

 

   上面说到了CART算法分为两个过程，其中第一个过程进行递归建立二叉树，那么它是如何进行划分的 ？

 

   设代表单个样本的个属性，表示所属类别。CART算法通过递归的方式将维的空间划分为不重

   叠的矩形。划分步骤大致如下

 

   （1）选一个自变量，再选取的一个值，把维空间划分为两部分，一部分的所有点都满足，

       另一部分的所有点都满足，对非连续变量来说属性值的取值只有两个，即等于该值或不等于该值。

   （2）递归处理，将上面得到的两部分按步骤（1）重新选取一个属性继续划分，直到把整个维空间都划分完。

 

   在划分时候有一个问题，它是按照什么标准来划分的 ？ 对于一个变量属性来说，它的划分点是一对连续变量属

   性值的中点。假设个样本的集合一个属性有个连续的值，那么则会有个分裂点，每个分裂点为相邻

   两个连续值的均值。每个属性的划分按照能减少的杂质的量来进行排序，而杂质的减少量定义为划分前的杂质减

   去划分后的每个节点的杂质量划分所占比率之和。而杂质度量方法常用Gini指标，假设一个样本共有类，那么

   一个节点的Gini不纯度可定义为

 

          

 

   其中表示属于类的概率，当Gini(A)=0时，所有样本属于同类，所有类在节点中以等概率出现时，Gini(A)

   最大化，此时。

 

   有了上述理论基础，实际的递归划分过程是这样的：如果当前节点的所有样本都不属于同一类或者只剩下一个样

   本，那么此节点为非叶子节点，所以会尝试样本的每个属性以及每个属性对应的分裂点，尝试找到杂质变量最大

   的一个划分，该属性划分的子树即为最优分支。

 

   下面举个简单的例子，如下图

 

   

 

   在上述图中，属性有3个，分别是有房情况，婚姻状况和年收入，其中有房情况和婚姻状况是离散的取值，而年

   收入是连续的取值。拖欠贷款者属于分类的结果。

 

   假设现在来看有房情况这个属性，那么按照它划分后的Gini指数计算如下

 

   

 

   而对于婚姻状况属性来说，它的取值有3种，按照每种属性值分裂后Gini指标计算如下

 

    

 

   最后还有一个取值连续的属性，年收入，它的取值是连续的，那么连续的取值采用分裂点进行分裂。如下

 

    

 

   根据这样的分裂规则CART算法就能完成建树过程。

 

   建树完成后就进行第二步了，即根据验证数据进行剪枝。在CART树的建树过程中，可能存在Overfitting，许多

   分支中反映的是数据中的异常，这样的决策树对分类的准确性不高，那么需要检测并减去这些不可靠的分支。决策

   树常用的剪枝有事前剪枝和事后剪枝，CART算法采用事后剪枝，具体方法为代价复杂性剪枝法。可参考如下链接

 

   剪枝参考：http://www.cnblogs.com/zhangchaoyang/articles/2709922.html

 

   

3. CART算法的实现

 

   以下代码是网上找的CART算法的MATLAB实现。

[plain]  view plain  copy

1. CART  
2.     
3. function D = CART(train_features, train_targets, params, region)  
4.     
5. % Classify using classification and regression trees  
6. % Inputs:  
7. % features - Train features  
8. % targets     - Train targets  
9. % params - [Impurity type, Percentage of incorrectly assigned samples at a node]  
10. %                   Impurity can be: Entropy, Variance (or Gini), or Missclassification  
11. % region     - Decision region vector: [-x x -y y number_of_points]  
12. %  
13. % Outputs  
14. % D - Decision sufrace  
15.     
16.     
17. [Ni, M]    = size(train_features);  
18.     
19. %Get parameters  
20. [split_type, inc_node] = process_params(params);  
21.     
22. %For the decision region  
23. N           = region(5);  
24. mx          = ones(N,1) * linspace (region(1),region(2),N);  
25. my          = linspace (region(3),region(4),N)' * ones(1,N);  
26. flatxy      = [mx(:), my(:)]';  
27.     
28. %Preprocessing  
29. [f, t, UW, m]   = PCA(train_features, train_targets, Ni, region);  
30. train_features  = UW * (train_features - m*ones(1,M));;  
31. flatxy          = UW * (flatxy - m*ones(1,N^2));;  
32.     
33. %Build the tree recursively  
34. disp('Building tree')  
35. tree        = make_tree(train_features, train_targets, M, split_type, inc_node, region);  
36.     
37. %Make the decision region according to the tree  
38. disp('Building decision surface using the tree')  
39. targets = use_tree(flatxy, 1:N^2, tree);  
40.     
41. D = reshape(targets,N,N);  
42. %END  
43.     
44. function targets = use_tree(features, indices, tree)  
45. %Classify recursively using a tree  
46.     
47. if isnumeric(tree.Raction)  
48.    %Reached an end node  
49.    targets = zeros(1,size(features,2));  
50.    targets(indices) = tree.Raction(1);  
51. else  
52.    %Reached a branching, so:  
53.    %Find who goes where  
54.    in_right    = indices(find(eval(tree.Raction)));  
55.    in_left     = indices(find(eval(tree.Laction)));  
56.        
57.    Ltargets = use_tree(features, in_left, tree.left);  
58.    Rtargets = use_tree(features, in_right, tree.right);  
59.        
60.    targets = Ltargets + Rtargets;  
61. end  
62. %END use_tree  
63.     
64. function tree = make_tree(features, targets, Dlength, split_type, inc_node, region)  
65. %Build a tree recursively  
66.     
67. if (length(unique(targets)) == 1),  
68.    %There is only one type of targets, and this generates a warning, so deal with it separately  
69.    tree.right      = [];  
70.    tree.left       = [];  
71.    tree.Raction    = targets(1);  
72.    tree.Laction    = targets(1);  
73.    break  
74. end  
75.     
76. [Ni, M] = size(features);  
77. Nt      = unique(targets);  
78. N       = hist(targets, Nt);  
79.     
80. if ((sum(N < Dlength*inc_node) == length(Nt) - 1) | (M == 1)),  
81.    %No further splitting is neccessary  
82.    tree.right      = [];  
83.    tree.left       = [];  
84.    if (length(Nt) ~= 1),  
85.       MLlabel   = find(N == max(N));  
86.    else  
87.       MLlabel   = 1;  
88.    end  
89.    tree.Raction    = Nt(MLlabel);  
90.    tree.Laction    = Nt(MLlabel);  
91.        
92. else  
93.    %Split the node according to the splitting criterion  
94.    deltaI = zeros(1,Ni);  
95.    split_point = zeros(1,Ni);  
96.    op = optimset('Display', 'off');   
97.    for i = 1:Ni,  
98.       split_point(i) = fminbnd('CARTfunctions', region(i*2-1), region(i*2), op, features, targets, i, split_type);  
99.       I(i) = feval('CARTfunctions', split_point(i), features, targets, i, split_type);  
100.    end  
101.        
102.    [m, dim] = min(I);  
103.    loc = split_point(dim);  
104.         
105.    %So, the split is to be on dimention 'dim' at location 'loc'  
106.    indices = 1:M;  
107.    tree.Raction= ['features(' num2str(dim) ',indices) >  ' num2str(loc)];  
108.    tree.Laction= ['features(' num2str(dim) ',indices) <= ' num2str(loc)];  
109.    in_right    = find(eval(tree.Raction));  
110.    in_left     = find(eval(tree.Laction));  
111.        
112.    if isempty(in_right) | isempty(in_left)  
113.       %No possible split found  
114.    tree.right      = [];  
115.    tree.left       = [];  
116.    if (length(Nt) ~= 1),  
117.       MLlabel   = find(N == max(N));  
118.    else  
119.       MLlabel = 1;  
120.    end  
121.    tree.Raction    = Nt(MLlabel);  
122.    tree.Laction    = Nt(MLlabel);  
123.    else  
124.    %...It's possible to build new nodes  
125.    tree.right = make_tree(features(:,in_right), targets(in_right), Dlength, split_type, inc_node, region);  
126.    tree.left  = make_tree(features(:,in_left), targets(in_left), Dlength, split_type, inc_node, region);      
127.    end  
128.        
129. end  

在Julia中的决策树包：https://github.com/bensadeghi/DecisionTree.jl/blob/master/README.md