当前位置：网站首页>【机器学习】通俗易懂决策树（原理篇）

【机器学习】通俗易懂决策树（原理篇）

2022-07-30 02:18:00 【Dream of Grass】

决策树

引言

决策树是什么？怎样利用决策树来帮助我们分类？怎样构建自己的决策树？

决策树是一种类似流程图的结构，其中每个内部节点代表一个属性的“测试”(例如硬币翻转出现正面朝上或反面朝上)，每个分支代表测试的结果，每个叶节点代表一个类标签(在计算所有属性后做出的决策)。从根到叶的路径代表分类规则。

以例说法

在这里插入图片描述

想象一下，您是一名医学研究人员，正在为一项研究编制数据。您已经收集了一组患有相同疾病的患者的数据。在治疗过程中，每位患者对两种药物中的一种都有反应。我们称它们为药物 A 和药物 B。您的部分工作是建立一个模型，以找出哪种药物可能适合未来患有相同疾病的患者。该数据集的特征集是我们患者组的年龄、性别、血压和胆固醇，目标是每个患者反应的药物。它是一个二元分类器的样本，您可以使用数据集的训练部分来构建决策树，然后使用它来预测未知患者的类别。从本质上讲，就是要决定给新病人开哪种药。

决策树的结构

在这里插入图片描述

决策树是通过将训练集拆分为不同的节点来构建的，其中一个节点包含所有或大部分数据类别。来看这个图，我们可以看到它是一个病人的分类器。所以如前所述，我们想给一个新病人开药，但选择药物 A 或 B 的决定会受到病人情况的影响。我们从年龄开始，可以是年轻、中年或老年。如果患者是中年，那我们肯定会选择B药。反之，如果他有年轻或老年患者，则需要更多细节来帮助我们确定开哪种药。额外的决策变量可以是胆固醇水平、性别或血压等。

在这里插入图片描述

例如，如果患者是女性，那么我们会推荐药物 A，但如果患者是男性，那么我们会推荐药物 B。如您所见，决策树是关于测试一个属性并根据结果对案例进行分支的测试。每个内部节点对应一个测试，每个分支对应一个测试结果，每个叶节点将一个患者分配到一个类。

如何构建决策树

现在的问题是，我们如何构建这样的决策树？这是构建决策树的方式。可以通过逐个考虑属性来构建决策树。

具体步骤如下：

从数据集里面选择一个特征
计算这个属性在拆分数据上的重要性（后面会讲如何计算）
用最好的属性来分割数据
返回步骤1

构建决策树

构建决策树的关键点，就是选择哪个属性作为分类节点，也可以说是如何计算每个属性在拆分数据上的重要性。

在这里插入图片描述

下面我来举几个例子，假设选择胆固醇作为分割数据的第一个属性，它将我们的数据分成了两份。

在这里插入图片描述

如上图所示，如果患者胆固醇含量高，我们不能很有把握地认为B药物适合他，同样的，如果含量正常，也不好说要用哪个药。也就是说，用胆固醇来分割数据，分了和没分差不了多少，故认为这不是一个好的特征。

下面我们换一个特征试试。

在这里插入图片描述

这次我们选择性别，如上图所示，如果患者性别为女，那么很大概率上就该用B药，如果是男性，则是A药。虽然说没有百分百的把握确定药物是否合适，但相比于胆固醇来说，性别这一属性任然是更好的选择，因为分类后的结果更纯净。也就是说性别属性比胆固醇更重要、更有预测性。

在这里插入图片描述

对于男性患者分支，我们再次测试其他属性来拆分子树。我们在这里再次测试胆固醇，您可以看到它会产生更纯净的叶子。所以我们可以在这里轻松地做出决定。例如，如果患者是男性，他的胆固醇高，我们当然可以开药A，但如果是正常的，我们可以很有把握地开药B。您可能会注意到，拆分数据的属性选择非常重要，这完全取决于拆分后叶子的纯度。如果在 100% 的情况下，节点属于目标字段的特定类别，则认为树中的节点是纯净节点。事实上，该方法使用递归分区通过最小化每一步的杂质将训练记录分割成段。节点的杂质是通过节点中数据的熵来计算的。

熵

什么是熵？熵是衡量信息的无序程度，也可以说是混乱都的，如果熵越大则混乱都越大。

熵用于计算该节点中样本的同质性。如果样本完全同质（只有一种表现形式），则熵为零，如果样本均分，则熵为 1。这意味着如果节点中的所有数据都是药物 A 或药物 B，则熵为零，但如果数据的一半是药物 A，另一半是 B，则熵为 1。

在这里插入图片描述

我们来计算一下原始数据的熵

在这里插入图片描述

可以看到又9B 5A，代到熵的计算公式里面算就可以了。

这个公式和我之前上生物物理课的时候计算信息熵的公式一模一样。

然后再算算用胆固醇分割数据后的熵

在这里插入图片描述

同样，算算性别分割数据后的熵

在这里插入图片描述

哪一个特征更好呢？

现在，问题是在胆固醇和性别属性之间，哪一个是更好的选择？将数据集分为两个分支的第一个属性哪个更好？或者换句话说，哪个属性会为我们的药物带来更纯的节点？或者，在哪棵树中，我们在分裂之后而不是分裂之前的熵更少？其分支中熵为 0.98 和 0.59 的性别属性或熵为 0.81 和 1.0 的胆固醇属性。答案是分裂后信息增益更高的树。

在这里插入图片描述