机器学习：决策树——ID3算法、C4.5算法、CART算法

决策树是一种常用于分类和回归问题的机器学习模型。它通过一系列的“决策”来对数据进行分类或预测。在决策树中，每个内部节点表示一个特征的测试，每个分支代表特征测试的结果，而每个叶节点则表示分类结果或回归值。

决策树工作原理

根节点：从根节点开始，决策树将数据集分割为多个子集。
选择特征：在每个节点处，选择一个特征进行划分。选择标准通常是信息增益（ID3算法）、增益率或基尼指数（CART算法）。
分割数据：根据选定的特征，将数据分割成不同的子集。
递归构建树：对每个子集递归执行相同的过程，直到满足停止条件（例如，节点纯度达到最大、树的深度达到限制或节点数过少）。
叶节点：最终的叶节点给出预测值，对于分类问题，通常是该节点中样本最多的类别；对于回归问题，通常是该节点中样本的平均值。

决策树的优化

1. 剪枝

预剪枝：在树构建过程中提前停止分裂，以避免生成过于复杂的树。例如，通过设定最小样本数、最大树深度或者最大叶节点数等参数来控制树的生长。

后剪枝：树生成后，检查每个节点的分裂是否真的能提高模型的预测性能。如果没有，可以通过剪枝去除不重要的分支。剪枝的目标是减少模型的复杂度，防止过拟合。

2. 最大化信息增益或基尼指数

在构建决策树时，可以选择不同的标准来选择最佳分裂节点。最常见的标准是信息增益（率）和基尼指数。优化这些指标的计算，能够帮助树做出更加有效的分裂。

3. 调整超参数

最大深度：限制树的最大深度，避免树的过度生长，降低过拟合风险。

最小样本分裂数：控制每个内部节点最少需要的样本数，如果样本数小于该值，就不再分裂。

最小样本叶节点数：控制每个叶子节点最少需要的样本数，保证树不会过度拟合。

最大特征数：控制每个节点分裂时使用的特征数。通过随机选择部分特征，有助于避免过拟合，并增加模型的泛化能力。

4. 集成学习

随机森林：通过生成多个决策树，并对每棵树的预测结果进行投票，减少单一决策树的偏差和方差。

梯度提升决策树 (GBDT)：通过逐步修正之前树的错误，构建多个弱决策树，将它们组合成一个强大的模型，能够有效提高预测性能。

5. 特征选择和工程

选择合适的特征，有助于减少噪声和提高决策树的效率。特征选择方法如L1正则化可以帮助筛选出重要特征，减少不必要的计算。

通过合适的特征工程，例如对数转换、标准化等，确保数据的尺度一致，提升模型的稳定性和准确性。

6. 处理类别不平衡问题

在处理类别不平衡的数据时，决策树可能偏向于多数类。可以通过调整类别权重、过采样或欠采样等方法来处理类别不平衡问题。

7. 样本权重调整

对于某些重要样本，给它们更大的权重，有助于提高模型对这些样本的关注度，尤其在类别不平衡的情况下特别有用。

ID3决策树

ID3是一种经典的决策树算法，它用于分类任务。ID3的核心思想是通过选择信息增益最大的特征来递归地构建决策树。熵是信息论中的一个概念，用来衡量一个数据集的不确定性或混乱程度。熵越大，意味着数据集中各类别的分布越不均匀，系统的混乱程度越高。反之，熵越小，表示数据集中各类别的分布更加集中，不确定性较小。

基本原理

1、熵的计算公式：假设有一个数据集D，它包含n个类别的样本，各类别的概率为 p1,p2,...,pn，则熵的计算公式为：

注：H(D)为正数，因为概率pi的对数为负数，再加一个负号就变为正。

2、信息增益的计算公式：信息增益是通过某个特征A来划分数据集D后，信息不确定性减少量。设D的熵为 H(D)，而根据特征A划分后得到的子集的熵分别为 H(D1),H(D2),...,H(Dk)，则根据特征A划分的信息增益的计算公式为：

即，信息增益 = 总熵 - sum ( Di在D的占比 * 子集的熵 )

其中，∣Di∣是子集Di的样本数，∣D∣ 是数据集D的样本数。

3、计算所有特征的信息增益

4、选择信息增益最大的特征：信息增益越大，表示选择该特征进行划分会使得数据集更加“纯净”，即减少了更多的不确定性，适合作为当前树节点的划分特征。

ID3决策树的局限性：

优点：

简单易理解：ID3算法简单直观，容易实现。

分类效率高：适用于特征数较小的数据集。

缺点：

容易过拟合：由于ID3倾向于选择信息增益最大的特征，有时会造成过拟合，特别是当数据中有很多噪声时。

倾向于选择取值多的特征：ID3在选择特征时，倾向于选择取值多的特征，这可能导致不合理的划分。举个例子：在 ID3 算法中，如果我们选择“身份证号”特征进行划分，数据集几乎可以被划分到纯净（即每个子集中只有一个样本），使得信息增益很高。然而，这种划分并没有真正的分类效果，因为“身份证号码”实际上不具有区分类别的意义，而只是过度划分了数据集。为了解决这一问题，C4.5算法提出了使用增益率来代替信息增益。

不能处理连续特征：ID3算法只能处理离散的特征，对于连续特征需要离散化处理。

C4.5算法

C4.5在ID3基础上改进，使用信息增益率进行分裂，能够处理连续特征和缺失值，还增加了后剪枝机制。C4.5和CART都是决策树算法，但CART可以用于分类和回归问题，而C4.5只能用于分类。 C4.5算法的特点：

1、以增益率作为特征选择标准

信息增益率：信息增益和固有值的比值，用于减少对多取值特征的偏向。

固有值：衡量特征 A 的取值数量和分布。

优先选择增益率最大的特征作为划分点。

2、能处理缺失值

C4.5 在处理缺失值时，采取样本加权的方法，即在计算信息增益和增益率时，赋予缺失值样本一个权重。这个权重表示缺失值样本属于每个分支的可能性，权重的大小依赖于该特征在其他样本中的（概率）分布。

举个例子：

假设有数据集D，A有两种取值（a1和a2），样本4为缺失值样本：

1、计算特征 A 的概率分布（计算概率时不考虑缺失值样本），并加权分配：

a1出现 2 次（样本 1 和 3），所以 P(a1)=2/4=0.5，则样本 4 的分配权重0.5到 a1 分支

a2出现 2 次（样本 2 和 5），所以 P(a2)=2/4=0.5，则样本 4 的分配权重0.5到 a1 分支

2、计算分支的样本数和熵

对于 a1 分支：

原始样本中有 2 个样本（样本 1 和 3），加上样本 4 的权重（0.5），所以总样本数|Da1|为： 2+0.5=2.5。

计算该分支的熵 H(Da1)。（根据类别标签 "Yes" 和 "No"），

对于 a2 分支：

原始样本中有 2 个样本（样本 2 和 5），加上样本 4 的权重（0.5），所以总样本数|Da2|为： 2+0.5=2.5。

计算该分支的熵 H(Da2)。（根据类别标签 "Yes" 和 "No"）

注：根据分配到a1的0.5权重，分子∣Da1,Yes|也要加0.5，但是∣Da1,No|不用加0.5，因为缺失样本4的类别为Yes，而不是No。这里只以a1分支为例，其他分支同理。

3、计算信息增益和增益率：

其中，Di为Dai。

4、总的来说，这些公式都变为带权公式而已。（过程不过多赘述）

3、能处理连续特征

排序：对于某个连续特征，将所有样本的特征值按升序排列。

确定候选分裂点：计算相邻样本之间的均值作为候选分裂点。例如，对于排序后的连续特征值序列 x1,x2,...,xn，候选分裂点为（x1+x2)/2，... 。一共n-1个候选分裂点。

计算信息增益率：对于每个候选分裂点，C4.5 将候选分裂点作为划分依据（分为小于或等于分裂点的子集、大于分裂点的子集），并计算此划分下的信息增益率。

选择最佳分裂点：选择信息增益率最大的候选分裂点，作为该连续特征的最优分裂点。信息增益率越大，分裂效果越好。

生成决策节点：根据该分裂点将数据划分为左右两个子集，并继续对子集递归应用 C4.5 算法，直至满足停止条件（如纯度较高或数据量不足）。

生成树结构：以递归方式将分裂节点连接起来，最终形成一棵决策树。

4、剪枝操作

C4.5 使用 后剪枝 方法，即先生成一个完全的决策树，然后评估每个节点的剪枝效果。如果剪枝后的树在验证集（或测试集）上的误差率更低或相当，剪枝就被认为是有效的。如果剪枝后误差率增加，那么不进行剪枝。这样，C4.5 通过对比剪枝前后的误差率来判断剪枝操作的有效性。

后剪枝的过程：

N为节点的样本总数， e 为节点样本被错误分类，则误差率 E 计算公式为：

其中，0.5 是一种平滑参数，用于在数据样本量较小时防止误差率过小。

叶节点误差率：直接使用上述公式计算叶节点的误差率

子树误差率：对子树中的所有叶节点误差进行加权平均，得到子树误差率，也是剪枝前的误差率。

剪枝后的误差率：即当前特征节点（非叶节点）的误差率，也是根据误差率 E 公式计算。

比较剪枝前、后的误差率：若剪枝后的误差率 < 剪枝前的误差率，则认为剪枝是有效果的，执行剪枝操作。否者不执行剪枝操作。

重复剪枝：直到剪枝后不能再有效降低误差率。

C4.5算法的优缺点

C4.5 的优点：

处理连续值：与 ID3 不同，C4.5 能够处理连续属性。

处理缺失值：C4.5 可以处理缺失的数据，它使用了概率估计方法来分配缺失值的权重，避免了丢弃包含缺失值的数据。

剪枝功能避免过拟合：C4.5 采用了后剪枝技术，通过修剪已经生成的决策树来避免过拟合，提高了模型的泛化能力。

支持多类别分类：与 ID3 类似，C4.5 能够处理多类别的分类问题。

决策树生成效果好：C4.5 相对于 ID3，在生成树的过程中考虑了信息增益比，可以减少过拟合的风险。

模型易解释

C4.5 的缺点：

计算开销较大：C4.5 需要遍历所有属性的所有可能划分点，计算每个属性的增益比，特别是在数据量较大时，这会导致较高的计算成本。

对噪声敏感：尽管 C4.5 在一定程度上能减少过拟合，但它仍然可能对数据中的噪声敏感，尤其在数据非常复杂或存在许多异常值的情况下，决策树可能会变得过于复杂。

生成的树可能过大：尽管采用了剪枝技术，生成的决策树有时仍然可能较大，影响模型的可解释性。

处理不平衡数据的能力有限：C4.5 在面对类别不平衡时可能表现不佳，因为它的划分标准侧重于信息增益比，对于类别较少的类别可能无法进行有效划分。

只能用于分类

CART算法

CART（Classification and Regression Trees）算法是一个基于树形结构的监督学习算法，用于解决分类和回归问题。其核心思想是通过递归地将数据集划分为更小的子集，从而构建一个二叉树，树的每个叶子节点代表最终的分类标签或回归预测值。

总体流程

选择特征和分割点：每个节点选择一个特征及其最优分割点，将数据划分为两个子集。
递归分裂：对每个子集继续执行步骤1，直到满足停止条件（如最大树深度或最小样本数）。
决策节点与叶子节点：节点的分裂基于特征和分裂点（阈值），最终将数据划分为叶子节点，叶子节点提供预测结果。
剪枝（可选）：通过后剪枝或预剪枝来避免过拟合。

CART算法的关键部分

（一）分类问题中的分割标准：基尼指数。假设某个节点包含 m 个类别，类别 i 的样本比例为 pi，那么该节点的基尼指数 Gini(t)为：

基尼指数的特点：

当节点完全纯净时（所有样本属于同一类别），基尼指数为0。
当节点的类别均匀分布时，基尼指数最大，表示该节点的“杂乱”程度最高。

1.1 选择一个特征及其分裂点

对于每个特征 X（如年龄、收入等），CART会尝试所有可能的分裂点。然后，基于每个分裂点，我们将数据集D分为两个子集：左子集 D_left 和右子集 D_right。

注：对于数值型特征，分裂点选择参考上文C4.5算法——处理连续特征部分。

1.2 计算加权基尼指数（表示分裂后两个子集的纯度）

1.3 选择最小加权基尼指数，作为特征X的最优分裂点，也作为特征X的分裂效果

1.4 计算其他特征的最小加权基尼指数，并选择所有特征中加权基尼指数最小的特征作为当前节点的分裂点。

1.5 同理，继续这样分裂下去，直到分裂出一颗完整的决策树。

（二）回归问题中的分割标准：均方误差（MSE）。MSE衡量的是数据的目标值（通常是一个连续变量）在当前节点的均匀性。MSE越小，表示数据点的目标值分布越集中，节点的纯度越高。

选择当前节点的分裂特征的当方法与使用基尼指数类似。

（三）关于“最佳分割点”的总结

CART选择最佳分割点的过程本质上是一个贪心算法，在每个节点选择最优的特征和分割点，但不考虑未来可能的分割。这个过程的关键步骤可以总结为：

对于每个特征，遍历所有可能的分割点。
对于每个分割点，根据该分割点将数据划分为两部分，并计算子集的纯度。
选择使得纯度最小的分割点（基于基尼指数或均方误差）。

通过这种方式，CART算法能够在每个节点做出最优的分割，逐步构建决策树，直到满足停止条件（如树的深度、节点样本数、纯度等）

（四）举个简单的CART回归例子。

假设有这样一个数据集：

4.1 根节点分裂

假设选择面积作为根节点的分裂特征，并使用一个分裂点（阈值）进行分裂，比如“面积 ≤ 70”：

左子树：面积 ≤ 70（A, B, C）
右子树：面积 > 70（D, E）

4.2 左子树分裂

选择使用另一个特征“房龄”进行分裂。假设选择“房龄 ≤ 7”作为分裂条件：

左子树（继续分裂）：房龄 ≤ 7（A, B）
右子树：房龄 > 7（C）

4.3 右子树分裂

假设选择“房龄 ≤ 5”作为分裂条件，数据集会被再次分裂：

左子树：房龄 ≤ 5（D）
右子树：房龄 > 5（E）

4.4 生成决策树

4.5 预测

假设有一个测试样本：面积为40，房龄为6。根据决策树，最终会到达叶子节点(A,B)。。因为例子是一个回归任务，该叶子节点的预测值就是A和B的目标值的平均，即（100+120）/2 = 110 万。所以测试样本的预测值为110万。

CART的剪枝操作

CART算法包括两种剪枝方式：预剪枝和后剪枝。预剪枝在树构建过程中进行，而后剪枝在树构建完毕后对其进行优化。CART主要使用后剪枝，通过代价复杂度剪枝方法，生成一个平衡复杂度和误差的、更简洁、泛化能力更强的树。

剪枝过程:

从底部向上剪枝：从树的叶节点开始逐层向上，每次合并最小化代价复杂度的分支。
计算剪枝后的代价复杂度：对每个非叶节点，将该节点的子树替换为叶节点，计算替换后整棵树的代价复杂度。若剪枝后的代价复杂度小于剪枝前，则执行剪枝操作；否则保留原分支。
选择最优子树：逐步合并分支，直到找到使代价复杂度最小的子树为止。
选择最优 α 值：通过调整 α，可以找到一个能平衡复杂度和误差的最佳树，可以通过交叉验证或独立验证集来确定最优的 α 值。

CART算法的优缺点

优点

模型易解释

能处理分类和回归任务

无需大量数据预处理：相比于一些其他机器学习算法，CART对数据的预处理要求较低。它不要求特征标准化或归一化，并且能够处理缺失数据（通过缺失值处理机制，如分配默认值或插补）。

能够处理数值型和类别型特征：CART能够处理数值型特征（通过划分数值区间）和类别型特征（通过类别的组合划分）。这种灵活性使得它能够处理多种类型的数据。

能够自动处理特征选择：在每个节点分裂时，CART自动选择最能有效分割数据的特征。因此，用户不需要进行显式的特征选择或特征工程，这减少了模型开发的工作量。

能处理非线性关系：决策树通过一系列简单的条件判断进行决策，因此它能够捕捉数据中的非线性关系，而不像线性模型那样仅能处理线性关系。

不易受到异常值影响：由于CART算法是基于划分数据的，它通常对异常值具有一定的鲁棒性。异常值不会对树的构建产生过大的影响，除非异常值非常突出。

缺点

容易过拟合：CART算法容易发生过拟合，特别是在数据集较小或者树的深度过大时。决策树可能会过分复杂地拟合训练数据中的噪声，从而在测试数据上表现差。

对数据噪声敏感：尽管决策树对单个异常值具有一定的鲁棒性，但在存在大量噪声数据时，决策树可能会构建非常复杂的模型来拟合这些噪声，从而降低模型的泛化能力。

可能产生不稳定的模型：

对于相似的数据集，CART算法可能会生成不同的树结构，导致模型的稳定性较差。这种不稳定性可以通过集成方法（如随机森林）来缓解。

无法捕捉复杂的关系：虽然CART可以捕捉非线性关系，但它只能通过简单的划分来表示数据的关系。因此，对于一些非常复杂的非线性关系，单棵决策树可能不足以拟合得非常好。

决策边界较为硬性：CART通过逐步划分特征空间来生成决策边界，这种边界通常是直线的（即通过一系列轴对齐的平面划分数据）。这意味着对于一些数据分布较为复杂的问题（如多维曲线的分布），决策边界可能无法很好地适应数据的结构。

对不平衡数据敏感：如果数据集中的类别不平衡，CART可能会偏向于多数类。例如，在二分类任务中，如果一类样本占大多数，CART可能会倾向于预测该类，从而影响模型的性能。可以通过使用类别权重或调整分裂标准来缓解这一问题。

计算复杂度较高：尽管CART在构建决策树时通常表现出较好的计算效率，但在大数据集或高维数据集上，遍历所有特征和可能的分割点会导致计算复杂度较高，尤其是在特征较多的情况下。

不适合高维数据：当数据的维度非常高时，CART可能会遇到维度灾难。在高维数据中，决策树的分裂点选择变得更加困难，可能导致模型无法有效捕捉数据的结构。

处理缺失值能力有限：CART算法的缺失值处理较为简单，一般是通过删除缺失值的样本或用统计方法（如均值、众数）进行填充。它在分裂过程中会通过概率分配来处理缺失值，但整体处理策略相对较为简单。C4.5的缺失值处理方法比CART更加精细和复杂，因此在面对缺失值较多的数据时，C4.5可能会表现得更为稳定和鲁棒。