决策树是一种简单,决策过程清晰的白盒模型,优势在于训练前不用对数据进行归一化、中心化,决策树有ID3 (Iterative Dichotomiser 3)、C4.5、C5.0、CART (Classification and Regression Trees)共4种常见的构建方式,sklearn用的CART实现,以下介绍树节点分裂的一些标准:
为基尼系数,
是第i个节点上,类别为k的训练样本占比。以下为信息熵:
基尼不纯度倾向于快速分类出最常见的类型,而信息熵产生的树更平衡。
分类决策树在每个节点会选择能将代价函数降到最低的特征,作为分叉的标准,因每种树构建方法代价函数不一样,以下先列举CART的代价函数(基于基尼不纯度):
是左子集的样本数量,w是指单个特征,
是其阈值,特征和阈值的确认方式即最小化代价函数。So,如何找到这个属性和这个属性的阈值使得代价函数最小呢?这个答案让人很沮丧,就是挨个儿试,有多少个属性就要试多少个属性,每个属性有多少个阈值(分界线,注意!如果属性是连续值,则可以取两个值间的平均值作为分界线),那在这个属性上就得试多少次(没错很无脑,而且很容易地就能想到,如果维数很大,且分界线很多,就得试到天荒地老,所以我渐渐开始相信极端树了)。
决策树的分叉过程一直要进行到完美地分完所有训练样本才结束,可想而知,这是明显的过拟合。以下首先介绍一种最重要的防止过拟合方法-剪枝,再介绍sklearn里一些防止过拟合的超参数。
首先是剪枝(之后补充)。
sklearn里有以下超参数在生成决策树的过程中来限制其生长:
1. min_samples_split:分叉前节点必须有的最小样本;
2. min_samples_leaf:叶节点必须有的最小样本;
3. min_weight_fraction_leaf:叶节点必须有的最小样本占总体样本比例;
4. max_leaf_nodes:最大叶节点数量;
5. max_features:分裂每个节点评估的最大特征数量。