十大机器学习算法-CART

简介

CART（分类与回归树）是决策树算法的一种。此外，常见的决策树算法还有ID3，C4.5，这三者的不同之处在于特征的划分：

• ID3：特征划分基于信息增益
• C4.5：特征划分基于信息增益比
• CART：特征划分基于基尼指数

基本思想

CART假设决策树是二叉树，内部结点特征的取值为“是”和“否”，左分支是取值为“是”的分支，右分支是取值为“否”的分支。这样的决策树等价于递归地二分每个特征，将输入空间即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，也就是在输入给定的条件下输出的条件概率分布。

CART算法由以下两步组成：

1. 决策树生成：基于训练数据集生成决策树，生成的决策树要尽量大；
2. 决策树剪枝：用验证数据集对已生成的树进行剪枝并选择最优子树，这时损失函数最小作为剪枝的标准。

CART决策树的生成就是递归地构建二叉决策树的过程。CART决策树既可以用于分类也可以用于回归。对回归树用平方误差最小化准则；对分类树而言，CART用Gini指数最小化准则来进行特征选择，生成二叉树。

回归树的生成

最小二乘回归树生成算法：

输入：训练数据集D

输出：回归树 $f(x)$

在训练数据集所在的输入空间中，递归地将每个区域区分为两个子区域并决定每个子区域上的输出值，构建二叉决策树。

（1）选择最优切分变量j（第j个变量 $x^{(j)}$）与切分点s（$x^{(j)}$的取值），求解
$$\underset{j,s}{\min }⟮\underset{c_1}{\min }\sum _{x_i\in R_1(j,s)}(y_i-c_1{)}^2+\underset{c_2}{\min }\sum _{x_i\in R_1(j,s)}(y_i-c_2{)}^2⟯$$
遍历变量j，对固定的切分变量j扫描切分点s（如等间隔扫描），选择使上式达到最小值的对（j，s）。

（2）用选定的对（j，s）划分区域并决定相应的输出值 ${\hat{c}}_m$(落在该区域的实例对应的输出 $y_i$ 的均值)
R 1 ( j , s ) = { x ∣ x j ≤ s } ,   R 2 ( j , s ) = { x ∣ x j > s } c ^ m = 1 N m ∑ x i ∈ R m （ j , s ) y i ,    x ∈ R m , m = 1 , 2 R_1(j,s) = \{x|x^{j} \le s\}, \ R_2(j,s) = \{x|x^{j} > s\} \\ \hat{c}_m = \frac{1}{N_m} \sum\limits_{x_i \in R_m（j,s)} y_i, \ \ x \in R_m, m=1,2 R1​(j,s)={x∣xj≤s}, R2​(j,s)={x∣xj>s}c^m​=Nm​1​xi​∈Rm​（j,s)∑​yi​,  x∈Rm​,m=1,2
（3）继续对两个子区域调用步骤（1）（2），直到满足停止条件

（4）将输入空间划分为M个区域 $R_1,R_2,...,R_M$，生成决策树

分类树的生成

分类树用基尼指数选择最优特征，同时决定该特征的最优二值切分点。

基尼指数Gini Index

基尼指数表示集合的不确定性。基尼指数值越大，样本集合的不确定性也就越大，这一点与熵相似。

分类问题中，假设有K个类，样本点属于第k类的概率为 $p_k$，则概率分布的基尼指数定义为
$$\mathrm{G}\mathrm{i}\mathrm{n}\mathrm{i}(p)=\sum _{k=1}^K{p}_k(1-p_k)=1-\sum _{k=1}^K{p}_k^2$$
所以对于给定样本集合D，基尼指数为
$$\mathrm{G}\mathrm{i}\mathrm{n}\mathrm{i}(D)=1-\sum _{k=1}^K⟮\frac{|C_k|}{|D|}{⟯}^2$$
如果按集合D根据特征A的某一可能值a被分割成D1和D2两部分，则在特征A的条件下，集合D的基尼指数定义为
$$\mathrm{G}\mathrm{i}\mathrm{n}\mathrm{i}(D|A)=\frac{|D_1|}{|D|}\mathrm{G}\mathrm{i}\mathrm{n}\mathrm{i}({\mathrm{D}}_1)+\frac{|D_2|}{|D|}\mathrm{G}\mathrm{i}\mathrm{n}\mathrm{i}({\mathrm{D}}_2)$$

CART分类树生成算法如下：

输入：训练数据集D，停止计算的条件：
输出：CART决策树。

根据训练数据集，从根结点开始，递归地对每个结点进行以下操作，构建二叉决策树：

（1）设结点的训练数据集为D，计算现有特征对该数据集的Gini系数。此时，对每一个特征A，对其可能取的每个值a，根据样本点对A=a的测试为“是”或 “否”将D分割成D1和D2两部分，计算A=a时的Gini系数。
（2）在所有可能的特征A以及它们所有可能的切分点a中，选择Gini系数最小的特征及其对应的切分点作为最优特征与最优切分点。依最优特征与最优切分点，从现结点生成两个子结点，将训练数据集依特征分配到两个子结点中去。
（3）对两个子结点递归地调用步骤（1）~（2），直至满足停止条件。

（4）生成CART决策树

算法停止计算的条件是结点中的样本个数小于预定阈值，或样本集的Gini系数小于预定阈值（样本基本属于同一类），或者没有更多特征。

CART剪枝

CART剪枝算法从“完全生长”的决策树底端剪去一些子树，简化模型，分为两个步骤：

（1）从生成算法产生的决策树T0底端开始不断剪枝，知道T0的根节点，形成一个子树序列 $T_0,T_1,...,T_n$；

（2）通过交叉验证法在独立的验证数据集上对子树序列进行测试，从中选择最优子树。

代码

这里使用sklearn的实现方法

# encoding=utf-8

import pandas as pd
import time

from sklearn.cross_validation import train_test_split
from sklearn.metrics import accuracy_score

from sklearn.tree import DecisionTreeClassifier



if __name__ == '__main__':

    print("Start read data...")
    time_1 = time.time()

    raw_data = pd.read_csv('../data/train.csv', header=0) 
    data = raw_data.values

    features = data[::, 1::]
    labels = data[::, 0]

    # 随机选取33%数据作为测试集，剩余为训练集
    train_features, test_features, train_labels, test_labels = train_test_split(features, labels, test_size=0.33, random_state=0)

    time_2 = time.time()
    print('read data cost %f seconds' % (time_2 - time_1))


    print('Start training...') 
    # criterion可选‘gini’, ‘entropy’，默认为gini(对应CART算法)，entropy为信息增益（对应ID3算法）
    clf = DecisionTreeClassifier(criterion='gini') 
    clf.fit(train_features,train_labels)
    time_3 = time.time()
    print('training cost %f seconds' % (time_3 - time_2))


    print('Start predicting...')
    test_predict = clf.predict(test_features)
    time_4 = time.time()
    print('predicting cost %f seconds' % (time_4 - time_3))


    score = accuracy_score(test_labels, test_predict)
	print("The accruacy score is %f" % score)