5-6 CART树的生成

CART树的生成算法

输入：
训练数据集X，样本标签y
输出：回归树f(x)

步骤

1. 若D中所有实例属于同一类 $C_k$，则T为单结点树，并将类 $C_k$作为该结点的类标记，返回T
2. 对每个特征feature的每个取值value，将y分为 $R_1$和 $R_2$两个集合，因为现在还不是真正的split，只是要计算split后的基尼指数，只需要用到split之后的y
   $y_1(feature, value) = \{y_i | x_i^{(feature)} \le value\} \\ y_2(feature, value) = \{y_i | y_i^{(feature)} \gt value\}$
3. 计算 $y_1$和 $y_2$的基尼指数之和

$Gini(p) = \sum^K p_k(1-p_k) = 1 - \sum^Kp_k^2$

3. 选择基尼指数计算结果最小的(feature, value)作为当前的最优划分
4. 基于最优划分生成2个子结点，将数据分配到两个子结点中
5. 对子结点递归调用CART算法

代码

def gini(y):
    ySet = set(y)
    ret, n = 1, y.shape[0]
    for yi in ySet:
        ret -= (y[y==yi].shape[0]/n)**2
    return ret

def CART(X, y):
    # 若D中所有实例属于同一类$$C_k$$
    if len(set(y))==1:
        # 将类$$C_k$$作为该结点的类标记
        return y[0]
    bestGini = np.inf
    # 对每个特征feature的每个取值value
    for feature in range(X.shape[1]):
        for value in set(X[:,feature]):
            # 将X分为$$R_1$$和$$R_2$$两个集合
            y1 = y[X[:,feature]<= value]
            y2 = y[X[:,feature]> value]
            # 计算$$R_1$$和$$R_2$$的基尼指数之和
            sumGini = gini(y1) + gini(y2)
            # 选择基尼指数计算结果最小的(feature, value)作为当前的最优划分
            if sumGini < bestGini:
                bestFeature, bestValue, bestGini = feature, value, sumGini
    # 基于最优划分生成2个子结点，将数据分配到两个子结点中
    node = {'feature':bestFeature,
            'value':bestValue,
            'left':CART(X[X[:,bestFeature]<= bestValue], y[X[:,bestFeature]<= bestValue]),
           'right':CART(X[X[:,bestFeature]> bestValue], y[X[:,bestFeature]> bestValue])}
    return node