决策树如果任其自由生长,很容易产生过拟合。因此,我们有必要对决策树进行剪枝。
CART 剪枝算法从"完全生长"的决策树的底端剪去一些子树,使决策树变小(模型变简单),从而能够对未知数据有更准确的预测。
CART 剪枝
CART 剪枝的思想:
- 从完全生长的整体树 T 0 T_0 T0 的最底端开始不断剪枝
- 直至剪到 T 0 T_0 T0 的根结点为止,形成子树序列 { T 0 , T 1 , . . . , T n T_0, T_1, ... , T_n T0,T1,...,Tn}
- 通过交叉验证法在独立的验证集上对子树序列进行测试,选出最优子树
观察上面的思想,我们很容易想到一些问题:
- 如何挑选剪枝的结点?
- 每个结点是否需要剪枝?
剪枝的损失函数
为了控制剪枝的位置和顺序,引入一个损失函数的概念:
C
α
(
T
)
=
C
(
T
)
+
α
∣
T
∣
C_\alpha(T) = C(T) + \alpha |T|
Cα(T)=C(T)+α∣T∣
-
T 代表某一子树
-
C(T) 代表训练数据的预测误差 (如基尼系数)
-
|T|代表子树的结点数
-
α \alpha α 是一个参数,随着 α \alpha α 的改变,得到的最优子树的复杂度和拟合度也不同
可以想象:
- 当 α \alpha α 较大时,|T| 的权重更大,此时为使 C α ( T ) C_\alpha(T) Cα(T) 较小,最优子树结点数越少(简单,拟合度低)
- 当 α \alpha α 较小时,C(T) 的权重更大,此时为使 C α ( T ) C_\alpha(T) Cα(T) 较小,训练误差也越小,拟合度越高(复杂,拟合度高)
- 当 a = 0 a = 0 a=0 时,最优子树为树本身 T 0 T_0 T0
- 当 α → + ∞ \alpha \rightarrow +\infty α→+∞ 时,最优子树为单独的根节点组成的树
剪枝的判断
通过损失函数,我们可以判断一个结点是否应该被剪枝,步骤如下:
对于某一个结点 t,计算以单独的结点 t 组成的树的损失函数:
C
α
(
t
)
=
C
(
t
)
+
α
⋅
1
C_\alpha(t) = C(t)+\alpha \cdot 1
Cα(t)=C(t)+α⋅1
对于该结点 t,计算以 t 为根结点的子树
T
t
T_t
Tt 的损失函数:
C
α
(
T
t
)
=
C
(
T
t
)
+
α
∣
T
t
∣
C_\alpha(T_t) = C(T_t) + \alpha|T_t|
Cα(Tt)=C(Tt)+α∣Tt∣
当
α
=
0
\alpha = 0
α=0 或充分小时,有不等式
C
α
(
T
t
)
<
C
α
(
t
)
C_\alpha(T_t) \lt C_\alpha(t)
Cα(Tt)<Cα(t)
随着
α
\alpha
α 的增大,必有
α
\alpha
α 使得
C
α
(
T
t
)
=
C
α
(
t
)
C_\alpha(T_t) = C_\alpha(t)
Cα(Tt)=Cα(t)
此时
α
=
C
(
t
)
−
C
(
T
t
)
∣
T
t
∣
−
1
\alpha = \frac{C(t)-C(T_t)}{|T_t|-1}
α=∣Tt∣−1C(t)−C(Tt)
(单结点树 t 的结点数 |t| = 1)
此时就可以对结点 t 进行剪枝,去掉 t 的子结点。
而
g
(
t
)
=
C
(
t
)
−
C
(
T
t
)
∣
T
t
∣
−
1
g(t) = \frac{C(t)-C(T_t)}{|T_t|-1}
g(t)=∣Tt∣−1C(t)−C(Tt)
即为判断剪枝的临界值。
举例 (以基尼系数作为损失函数的情况):
先计算 A 组成的单结点树的损失函数
C
(
A
)
=
10
⋅
G
i
n
i
(
A
)
=
5
C(A) = 10 \cdot Gini(A) = 5
C(A)=10⋅Gini(A)=5
再计算 A 为根节点的树
T
A
T_A
TA 的损失函数,其中 t 表示树的所有叶结点,N(t)表示各个叶结点的样本数(权重)
C
(
T
A
)
=
∑
t
=
1
∣
T
∣
N
(
t
)
G
i
n
i
(
t
)
=
7
⋅
0.25
+
3
⋅
0.10
=
2.05
C(T_A) = \sum_{t=1}^{|T|} N(t)Gini(t) = 7\cdot0.25 + 3\cdot0.10 = 2.05
C(TA)=t=1∑∣T∣N(t)Gini(t)=7⋅0.25+3⋅0.10=2.05
则
g
(
A
)
=
C
(
A
)
−
C
(
T
A
)
∣
T
A
∣
−
1
=
5
−
2.05
3
−
1
=
1.475
g(A) = \frac{C(A)-C(T_A)}{|T_A|-1} = \frac{5-2.05}{3-1} = 1.475
g(A)=∣TA∣−1C(A)−C(TA)=3−15−2.05=1.475
因此,随着
α
\alpha
α 增大到 1.475 时,结点 A 应被剪枝。
剪枝的过程
- 对于完整树 T 0 T_0 T0,计算每一个非叶结点的 g(t) 值
- 对得到的所有 g(t) 进行从小到大排序
- g(t) 从小到大,分别对应第 1, 2, …, n 个被剪枝的结点
- 对于 T 0 T_0 T0 根据第 1 个结点进行剪枝得到 T 1 T_1 T1
- 对于 T 1 T_1 T1 根据第 2 个结点进行剪枝得到 T 2 T_2 T2
- 如此往复循环,对于 T 0 T_0 T0,可以生成子树序列 { T 0 , T 1 , . . . , T n } \{T_0,T_1,...,T_{n}\} {T0,T1,...,Tn}
最优子树的挑选
挑选最优子树需要使用独立的验证集,而不是之前的训练集。通过验证集计算出序列中每一个子树的损失函数 (如MSE、Gini) 等指标,选择损失最小的子树作为最优子树,这便可以得到最优决策树。
举例
计算所有非叶结点的 g(t)
所有非叶结点:ABD
计算每个结点对应单结点树的损失:
C
(
A
)
=
10
∗
0.5
=
5
C(A) = 10 * 0.5 = 5
C(A)=10∗0.5=5
C ( B ) = 7 ∗ 0.25 = 1.75 C(B) = 7 * 0.25 = 1.75 C(B)=7∗0.25=1.75
C ( D ) = 4 ∗ 0.2 = 0.8 C(D) = 4 * 0.2 = 0.8 C(D)=4∗0.2=0.8
计算每个结点作为根结点对应子树的损失:
C
(
T
A
)
=
3
∗
0.1
+
3
∗
0.1
+
1
∗
0.08
+
3
∗
0.05
=
0.83
C(T_A) = 3*0.1+3*0.1+1*0.08+3*0.05 = 0.83
C(TA)=3∗0.1+3∗0.1+1∗0.08+3∗0.05=0.83
C ( T B ) = 3 ∗ 0.1 + 1 ∗ 0.08 + 3 ∗ 0.05 = 0.53 C(T_B) = 3*0.1+1*0.08+3*0.05 = 0.53 C(TB)=3∗0.1+1∗0.08+3∗0.05=0.53
C ( T D ) = 1 ∗ 0.08 + 3 ∗ 0.05 = 0.23 C(T_D) = 1*0.08+3*0.05 = 0.23 C(TD)=1∗0.08+3∗0.05=0.23
计算每个结点的 g(t):
g
(
A
)
=
C
(
A
)
−
C
(
T
A
)
∣
T
A
∣
−
1
=
5
−
0.83
7
−
1
=
0.6950
g(A) = \frac{C(A)-C(T_A)}{|T_A|-1} = \frac{5-0.83}{7-1} = 0.6950
g(A)=∣TA∣−1C(A)−C(TA)=7−15−0.83=0.6950
g ( B ) = C ( B ) − C ( T B ) ∣ T B ∣ − 1 = 0.3050 g(B) = \frac{C(B)-C(T_B)}{|T_B|-1} = 0.3050 g(B)=∣TB∣−1C(B)−C(TB)=0.3050
g ( D ) = C ( D ) − C ( T D ) ∣ T D ∣ − 1 = 0.2850 g(D) = \frac{C(D)-C(T_D)}{|T_D|-1} = 0.2850 g(D)=∣TD∣−1C(D)−C(TD)=0.2850
对 g(t) 进行排序
得到的 g(t) 序列:
g
(
D
)
:
0.2850
<
g
(
B
)
:
0.3050
<
g
(
A
)
:
0.6950
g(D): 0.2850 < g(B): 0.3050 < g(A): 0.6950
g(D):0.2850<g(B):0.3050<g(A):0.6950
按照 g(t) 顺序逐个剪枝生成子树
T1:
T2:
T3:
最后,只需要用测试集对每一个子树进行交叉验证,就可以挑选出最优子树作为决策树。