算法学习笔记：决策树（上）（decision tree）：理解篇

啥是决策树？决策树是一种对样本数据进行自上而下、树形分类的模型。

一般来说，一颗决策树的组成包括：内部结点（internal node)、叶结点（leaf node）、有向边（directed edge）。

先来举个例子感性认识下决策树，来自《百面机器学习》上一对母女的对话，内容如下：

母亲：“闺女，我又给你找了个合适的对象，见不见？”      

女儿：“多大？”--------------------------年龄        母亲：“26岁。”        

• 女儿：“长得帅吗？”--------------------长相        母亲：“还可以，不算太帅。”      

• 女儿：“工资高吗？”--------------------工资        母亲：“中等偏上。”

• 女儿：“会写代码吗？”-----------------是否会写代码        母亲：“人家是程序员，代码写得棒着呢。”

女儿问问题的过程也是她做决定的过程，可以看作一个典型的决策树分类，见或不见是通过对方的年龄、长相、工资和是否会写代码等特征或者说属性来进行逐步判断的。这颗过程可以描述成下面这样：

>>上面这个例子有其特殊性，因为从女儿的问题顺序可以对照树的结点的顺序或位置。

现在再举个更一般的例子，下面是李航的《统计学习方法》中的一组贷款申请样本数据，根据这组数据建立一颗决策树用来判断是否对申请人发放贷款，数据如下：

首先，我们先来观察下数据。贷款机构收集了每位申请人的4类特征或属性，分别是：

• （1）年龄：青年、中年、老年三类，记为A1

• （2）是否有工作：有工作和无工作两类，记为A2

• （3）是否有房：有房和无房两类，记为A3

• （4）信贷情况：一般、好、非常好三类，记为A4

• 现在我们并不能从这4类数据中直接看出它们在决策树上的出场顺序，或者说对于是否发放贷款的重要程度。

接下来，我们看看树的生成过程。这里先梳理一下建树的基本思路：

• （1）第一步：选出（根）结点。在A1、A2、A3、A4中选出一个最优的作为根结点，至于怎么定义最优和怎么选，等到下面再说。假设选择了A2—是否有工作作为根结点。

• （2）第二步：分割数据集。样本数据集已根据A2分成了2个子数据集，如下（a）和（b）所示。

• （3）第三步：分别分析数据子集。分别观察下这2个子集：表(a)的类别都是“是”，也就是说，从样本数据来看有工作的申请人会被发放贷款，这时生成一个叶结点，这个树枝就生长结束了。而表(b)的类别还是混乱的，还没有被分类好，咋办？继续对(b)的数据继续进行类似（1）和（2）的选择、分解和分析。

• （4）第四步：重复（1）。在表(b)剩下的3个特征择优作为新的结点。这里假设选择了A3—是否有房作为新结点。

• （5）第五步：重复（2）。表(b)的数据又被分为2个子集，如下表(c)和(d)所示。

• （6）第六步：重复（3）。此时的表(c)和(d)均已完全分类，故分别生成两个叶结点。至此决策树构建结束，完整的决策树如下所示。

再来观察下上面的这颗决策树：

①“完全正确”的决策树可能不止一个，也可能一个也没有。若把根结点“有工作”和结点“有自己的房子”调换位置，新的决策树仍然可以对这个数据集“完全正确”的分类；如果数据集中出现几个噪声，那么“完全正确”的决策树可能不存在。大部分情况下，“完全正确”意味着过拟合。所以，“最优”的决策树是那颗与训练数据矛盾较小的树并且具备不错的泛化能力。

②求解“最优”决策树的问题是一个NP-C问题（Non-deterministic Polynomial Complete）。关于啥是NPC问题详见 别人的博客（https://blog.csdn.net/sinat_21591675/article/details/86521190），这里需要理解的是这个求解最优的过程需要遍历所有的树！有必要么？回答是没有。所以一般退而求其次选择“次最优（sub-optimal）”的解，即采用所谓的启发式方法求解。

③决策树结点的选择称为“特征选择”。“特征选择”的准则有多种，包括：信息增益（infoinformation gain），也称为KL散度 （K-L divergence）；信息增益比（infoinformation gain ratio）；基尼指数（gini index）。详见我的另一篇文章：

最后学术性地归纳下：

1. 一般来说，决策树需经过（1）特征选择、（2）树的构造、（3）树的剪枝三个过程。
2. 常见决策树算法：ID3（1986年，Quinlan）、C4.5（1993年，Quinlan）、CART（1984年，Breiman）。
3. 决策树是较为基础的监督学习模型，可用于分类问题（分类树）和回归（回归树）问题，在现实社会中，市场营销领域的销售问题、医疗领域的诊断问题、航空领域的故障诊断等问题使用较多。