《统计学习方法》系列（5）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u012294618/article/details/79835282

  本篇对应全书第五章，讲的是决策树。决策树（decision tree）是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。决策树学习通常包括3个步骤：特征选择、决策树的生成和决策树的修剪。决策树学习常用的算法有ID3、C4.5和CART。

---

1、理论讲解

  ID3和C4.5生成的决策树只能用于分类问题，而CART生成的决策树既可用于分类问题也可用于回归问题，因此本文主要讨论用于分类的决策树，只在CART部分讲述用于回归的决策树。

1.1、基础知识

  决策树由结点（node）和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶结点（leaf node）。内部结点表示一个特征或属性，叶结点表示一个类。
  用决策树分类，从根结点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子结点：这时，每一个子结点对应着该特征的一个取值。如此递归地对实例进行测试并分配，直至达到叶结点。最后将实例分到叶结点的类中。下面是一个决策树的示意图，矩形框和椭圆框分别表示内部结点和叶结点。

   决策树的学习过程就是决策树的生成过程，决策树的生成基本遵循以下流程：

输入：训练集D，特征集A；
输出：决策树T。
（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）若 $A=\varnothing$，或D中样本在A上取值相同，则T为单结点树，并将D中实例数最大的类 $C_k$作为该结点的类标记，返回T；
（3）从A中选取最优划分特征 $A^*$，对 $A^*$的每一可能值 $a_i$，依 $A^*=a_i$将D分割为若干非空子集 $D_i$，将 $D_i$中实例数最大的类作为标记，构建子结点，由结点及其子结点构成树T，返回T；
（4）对第i个子结点，以 $D_i$为训练集，以 $A-\{A^*\}$为特征集，递归地调用步（1）～步（3），得到子树 $T_i$，返回 $T_i$。

  上述流程中，有几个关键问题：1).如何选取最优划分特征；2).数据怎么分割；3).决策树停止分裂的条件。
  第一个问题，实际上就是“特征选择”，“特征选择”的目的在于选取对训练数据具有分类能力的特征，这样可以提高决策树学习的效率；如果利用一个特征进行分类的结果与随机分类的结果没有很大差别，则称这个特征是没有分类能力的，经验上扔掉这样的特征对决策树学习的精度影响不大；“特征选择”的关键是其准则，不同的算法会有所不同，这一点后面我们还会详细解释，不过它们的本质都在于“选择使得所有子结点数据最纯的特征”。
  第二个问题，最优划分特征 $A^*$，其数据属性分离散和连续两种，对于离散型数据，可以按照特征取值进行数据分割，每一个取值对应一个分裂点；对于连续型数据，不同的算法有不同的处理方式，后面我们再解释。
  第三个问题，决策树不能无限制分裂。一方面复杂度太高，易过拟合，泛化能力差；另一方面，分裂到后期容易受噪声数据影响。停止分裂的条件一般有这么几个：a).最小结点数：当结点数据量小于阈值时，停止分裂；b).熵或者基尼值小于阈值：熵和基尼值的大小表示数据的复杂程度，当熵或者基尼值过小时，表示数据的纯度比较大；c).决策树的深度达到指定条件；d).特征集为空。

  决策树生成的过程中，为了尽可能正确分类训练集，结点进行了多次分裂，有时会造成决策树分支过多而过拟合的情况。我们需要对已生成的树进行剪枝，将树变得更简单，从而使它具有更好的泛化能力。
  常见的剪枝策略有预剪枝（pre-pruning）和后剪枝（post-pruning）。
  预剪枝，即在完全正确分类训练集之前，较早地停止树的生长，前面所讲的决策树停止分裂的条件即可看作是预剪枝。一种更普遍的做法是，根据验证集，计算每次分裂对决策树性能的增益，如果这个增益值小于某个阈值则不进行分裂。预剪枝的优点在于算法简单，效率高；缺点在于其基于“贪心”的本质，过早地停止决策树的生长，可能带来欠拟合的风险。
  后剪枝，即在已生成的过拟合决策树上进行剪枝。主要的后剪枝策略有：REP（Reduced-Error Pruning，错误率降低剪枝）、PEP（Pessimistic Error Pruning，悲观剪枝）、MEP（Minimum Error Pruning，最小错误率剪枝）、CCP（Cost-Complexity Pruning，代价复杂度剪枝）。这里我们不赘述每种剪枝策略的细节，感兴趣的读者可阅读[11]和[12]。

1.2、ID3、C4.5和CART

  1984年，Breiman等人提出CART；1986年，Quinlan提出ID3；1993年，Quinlan提出C4.5。ID3和C4.5是分类树，C4.5是对ID3的优化，CART是分类和回归树。
  由于关于此三种算法的介绍很多，因此本节会省略不必要的细节，只保留重要的结论性的内容讲述。

1.2.1、ID3

特性：

  最优特征选取准则：信息增益（information gain）；
  数据分割：离散型数据，按取值进行分割；连续型数据，无法处理，只能将连续型数据离散化（如等距离数据划分）后再做处理；
  数据缺省值处理：无；
  剪枝：无。

缺点：

1. 以信息增益作为特征选取准则，存在偏向于选取取值较多的特征的问题；
2. 无法处理连续数据和数据缺省值；
3. 未剪枝，可能过拟合。

1.2.2、C4.5

特性：

  最优特征选取准则：信息增益比（information gain ratio），这里需要注意的是，信息增益比准则对可取值数目较少的特征有所偏好，因此C4.5采用的是一个启发式的方法：先从候选特征中找出信息增益高于平均水平的特征，再从中选择信息增益比最高的；
  数据分割：离散型数据，同ID3；连续型数据，对于特征a的n个取值，将它们从小到大排序，求得n个取值的n-1个数据中点，对每一个数据中点 $t_i$，根据特征取值大于或小于 $t_i$对数据进行二分，计算特征a在每个数据中点 $t_i$的信息增益，选取信息增益最大的 $t_i$作为特征a的分裂点，再在不同特征之间根据信息增益比选择最优划分特征（与离散特征不同的是，如果当前结点为连续特征，则该特征后面还可参与子结点的产生选择过程）；
  数据缺省值处理：有，具体请参考《机器学习》（周志华 著）；
  剪枝：PEP。

缺点：

1. C4.5生成的是多叉树，很多时候，在计算机中二叉树模型会比多叉树计算效率高；
2. C4.5只能用于分类；
3. C4.5使用了熵模型，其中有大量耗时的对数运算，如果是连续值还有大量的排序运算。

1.2.3、CART

  CART（Classification And Regression Tree，分类和回归树）既可用于分类也可用于回归。CART假设决策树是二叉树，递归地二分每个特征。

特性：

  最优特征选取准则：最小方差（回归树），基尼指数（分类树）；
  数据分割：离散型数据，将其中一个离散值独立作为一个节点，其他的离散值生成另外一个节点，有多少个离散值就有多少种可供选择的划分方式（分裂后，若某一分支上的被选取特征取值多于1个，被选取特征依然可参与到后续结点的产生选择过程）；连续型数据，同C4.5；
  数据缺省值处理：同C4.5；
  剪枝：CCP。

1.3、其它

1. 从所有可能的决策树中选取最优决策树是NP完全问题，所以现实中决策树学习算法通常采用启发式方法，近似求解这一最优化问题，这样得到的决策树是次最优（sub-optimal）的；
2. 决策树的生成对应于模型的局部选择，决策树的剪枝对应于模型的全局选择；
3. 如果特征数量很多，也可以在决策树学习开始的时候，对特征进行选择，只留下对训练数据有足够分类能力的特征；
4. 决策树的剪枝往往通过极小化决策树整体的损失函数来实现；

2、代码实现

2.1、sklearn实现

from __future__ import division
import numpy as np
import graphviz
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
from sklearn.model_selection import train_test_split


if __name__ == "__main__":
        iris = load_iris()
        X = iris.data
        y = iris.target

        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0)

        clf = DecisionTreeClassifier()
        clf.fit(X_train, y_train)
        score = clf.score(X_test, y_test)
        print "score : %s" % score

        dot_data = tree.export_graphviz(clf, out_file=None,
                         feature_names=iris.feature_names,
                         class_names=iris.target_names,
                         filled=True, rounded=True,
                         special_characters=True)
        graph = graphviz.Source(dot_data)
        graph.render("iris")

代码已上传至github：https://github.com/xiongzwfire/statistical-learning-method

---

#参考文献
[1] 《机器学习》（周志华 著）
[2] http://www.cnblogs.com/yonghao/p/5061873.html
[3] http://www.cnblogs.com/yonghao/p/5064996.html
[4] http://www.cnblogs.com/yonghao/p/5096358.html
[5] http://www.cnblogs.com/yonghao/p/5122703.html
[6] https://www.cnblogs.com/yonghao/p/5135386.html
[7] http://www.cnblogs.com/pinard/p/6050306.html
[8] http://www.cnblogs.com/pinard/p/6053344.html
[9] http://www.cnblogs.com/pinard/p/6056319.html
[10] https://www.zhihu.com/question/22697086
[11] https://zhuanlan.zhihu.com/p/30296061
[12] http://blog.sina.com.cn/s/blog_4e4dec6c0101fdz6.html
[13] https://blog.csdn.net/jiede1/article/details/76034328
[14] https://blog.csdn.net/baimafujinji/article/details/53269040
[15] https://www.zhihu.com/question/27205203?sort=created
[16] https://blog.csdn.net/mao_xiao_feng/article/details/52728164
[17] https://www.cnblogs.com/pinard/p/6140514.html
[18] https://zhuanlan.zhihu.com/p/30296061
[19] http://blog.sina.com.cn/s/blog_4e4dec6c0101fdz6.html
以上为本文的全部参考文献，对原作者表示感谢。