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:
- 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;
- 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
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
)与切分点s(
的取值),求解
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
(落在该区域的实例对应的输出
的均值)
(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 ,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
,则概率分布的基尼指数定义为
所以对于给定样本集合D,基尼指数为
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
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 ;
(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)