python画图决策树算法分类_分类算法之决策树（理论篇）

起步

决策树(decision tree)是一个树结构，可以是二叉树或非二叉树，也可以把他看作是 if-else 规则的集合，也可以认为是在特征空间上的条件概率分布。

决策树的结构

以一个简单的用于是否买电脑预测的决策树为例子:

树中的内部节点代表一个属性，节点引出的分支表示这个属性的所有可能的值，叶节点表示最终的分类结果。从根节点到叶节点的每一条路径构建一条规则，并且这些规则具有 互斥且完备 的性质，即每一个样本均被且只有一条路径所覆盖。

决策树的创建是根据给定的训练数据来完成的，给出下面的训练集(本章都是围着这个例子进行讲解)：

这是一个是否买电脑的一个数据，数据上有4个特征：年龄( age )，收入( income )，是否学生( student )，信用度( credit_rating )。

案例的决策树中，为什么是以年龄作为第一个进行分类的特征呢？

特征的分类能力

如果一个特征对结果影响比较大，那么就可以认为这个特征的分类能力比较大。相亲时候一般会先问收入，再问长相，然后问其家庭情况。也就是说在这边收入情况影响比较大，所以作为第一个特征判断，如果不合格那可能连后续都不用询问了。

有什么方法可以表明特征的分类能力呢？

这时候，需要引入一个概念，熵 。

熵(entropy)

1948年，香农提出“信息熵”的概率。一条信息的信息量大小和它的不确定性有直接的关系，要搞清楚一件不确定的事，需要了解大量信息。熵(entropy)用于表示 随机变量不确定性的度量, 如果熵越大，表示不确定性越大。

假设变量X，它有Xi(i=1,2,3...n)种情况，pi表示第i情况的概率，那么随机变量X的熵定义为:

$$

H(X) = -\sum_{i=1}^np_i\log_2{(p_i)}

$$

熵的单位是比特(bit)。

比如当随机变量X只有0,1两种取值，则有: H(x) = -plog(p) - (1-p)log(1-p) , 可以画出一个二维坐标表示他们的关系:

从而可知，当 p=0.5 时，熵取值最大，随机变量不确定性最大。

回到买电脑的例子，在是否购买电脑这个结果中，数据集D，有 9 个yes，5 个no。因此它的熵是:

$$

info(D) = H(D) = - \frac{9}{14}\log_2(\frac{9}{14}) - \frac5{14}\log_2(\frac5{14}) = 0.940 bits

$$

条件熵(conditional entropy)

随机变量X给定的条件下，随机变量Y的条件熵 H(Y|X) 定义为:

$$

H(Y|X) = \sum_{i=1}^np_iH(Y|X=x_i)

$$

信息增益 (Information gain)

信息增益表示的是：得知 特征X 的信息而使得 分类Y 的信息的不确定性减少的程度。如果某个特征的信息增益比较大，就表示该特征对结果的影响较大，特征A对数据集D的信息增益表示为：

$$

gain(A) = H(D) - H(D|A)

$$

以那个买电脑的数据集为例，我们来计算下 age 这个特征的信息增益，将数据再展示一下：

从图中可以看出，有14条数据 age 这个特征中，年轻人 youth 有5人， 中年人 middle_aged 有4人，老年人 senior 有5人。分别计算这三种情况下的信息熵，再将信息熵相加就能得到 H(D|A):

$$

\begin{align*}

info_{age}(D) = H(D|A) &= \frac5{14}\times (-\frac25\log_2\frac25 - \frac35\log_2\frac35) \\

&+\frac4{14}\times (-\frac44\log_2\frac44 - \frac04\log_2\frac04) \\

&+\frac5{14}\times (-\frac35\log_2\frac35 - \frac25\log_2\frac25) \\

&=0.694 bits

\end{align*}

$$

因此，gain(age) 的信息增益就是:

gain(age) = info(D) - info_{age}(D) = 0.940 - 0.694 = 0.246 bits

决策树归纳算法 (ID3)

ID3算法的核心是在决策树的各个结点上应用 信息增益 准则进行特征选择。这个算法也是本章主要介绍的算法。具体做法是：

从根节点开始，对结点计算所有可能特征的信息增益，选择信息增益最大的特征作为结点的特征，并由该特征的不同取值构建子节点；

对子节点递归地调用以上方法，构建决策树；

直到所有特征的信息增益均很小或者没有特征可选时为止。

根据上面的计算信息增量的方法，可以得出其他特征的信息增量：

gain(income) = 0.029, gain(student) = 0.151, gain(credit_rating)=0.048 。

age 这个特征的信息增益是最大的(0.246 bits)，选择age作为第一个根节点进行分类:

然后再每个子树中，再根据其特征的信息增益量进行每个划分，递归地形成每个划分上的样本判定树。

递归的停止条件

递归划分步骤仅当下列条件之一成立停止：

(a) 给定结点的所有样本属于同一类。

(b) 没有剩余属性可以用来进一步划分样本。在此情况下，使用多数表决。这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替换地，可以存放结点样本的类分布。

(c) 分枝，当所有特征的信息增益都很小，也就是没有再计算的必要了，就创建一个树叶，也是用多数表决。

其他决策树归纳算法

C4.5算法

C4.5算法与ID3算法的区别主要在于它在生产决策树的过程中，使用信息增益比来进行特征选择。

CART算法

分类与回归树(classification and regression tree,CART)与C4.5算法一样，由ID3算法演化而来。CART假设决策树是一个二叉树，它通过递归地二分每个特征，将特征空间划分为有限个单元，并在这些单元上确定预测的概率分布。

CART算法中，对于回归树，采用的是平方误差最小化准则；对于分类树，采用基尼指数最小化准则。

这些算法共同点：都是贪心算法，自上而下的创建决策树。不同点是在于对特征的选择度量方法不同。

决策树的剪枝

如果树长到叶子深度太大，就会造成一种情况，在训练集上表现非常好，但是因为分的太细了，在新的数据上就表现不好了。就是出现过度拟合的现象。为了避免这个问题，有两种解决办法：

先剪枝：当熵减少的数量小于某一个阈值时，就停止分支的创建。这是一种贪心算法。

后剪枝：先创建完整的决策树，然后再尝试消除多余的节点，也就是采用减枝的方法。

总结：决策树的优缺点

优点：

易于理解和解释，甚至比线性回归更直观；

与人类做决策思考的思维习惯契合；

模型可以通过树的形式进行可视化展示；

可以直接处理非数值型数据，不需要进行哑变量的转化，甚至可以直接处理含缺失值的数据；

缺点：

处理连续变量不好；

不好处理变量之间存在许多错综复杂的关系，如金融数据分析；

决定分类的因素取决于更多变量的复杂组合时；

可规模性一般。