AI遮天传 ML-初识决策树

决策树学习是最早被提出的一批机器学习的方法之一，由于它好用且具有很强的可解释性，到现在依然在被广泛使用。

一、决策树学习基础

（比较简单，一带而过） 

例：享受一种运动 

 对于新的一天，是否可以去享受运动？

适用决策树学习的经典目标问题

• 带有非数值特征的分类问题
• 离散特征
• 没有相似度的
• 特征无序

另一个例子：水果

• 颜色：红色、绿色、黄色
• 大小：小、中、大
• 形状：球形、细长
• 味道：甜、酸

样本表示

属性的列表而非数值向量

例如享受运动的例子：

• 6值属性：天气、温度、湿度、风、水温、预测天气
• 某一天的天气实例：{晴、暖、一般、强、暖、不变}

例如水果的例子：

• 4值元组：颜色、大小、形状、味道
• 某个水果的实例： {红、球形、小、甜}

训练样本

决策树概念

决策树发展历史-里程碑

• 1966，由Hunt首先提出

• 1970’s~1980’s

        • CART 由Friedman, Breiman提出

        • ID3 由 Quinlan 提出

• 自1990’s以来

        • 对比研究、算法改进(Mingers, Dietterich, Quinlan, etc.)

        • 最广泛使用的决策树算法: C4.5 由 Quinlan 在 1993 年提

二、经典决策树算法 – ID3

自顶向下，贪心搜索

递归算法

核心循环:

• A :找出下一步 最佳 决策属性
• 将 A 作为当前节点决策属性
• 对属性A (vi )的每个值，创建与其对应的新的子节点
• 根据属性值将训练样本分配到各个节点
• 如果 训练样本被完美分类，则退出循环，否则进入递归状态继续向下探分裂新的叶节点

如：outlook是我们找出的最佳决策属性，我们就把它当成当前的根节点，根据outlook也就是天气情况我们就会有不同的分支不同的子节点，比如sunny、overcast、rain，如到了overcast就已经结束/有标签了，说明已经被分好了，如果还没被分好，我们就按照数据的取值把一批数据分到sunny、rain对应的分支上，humidity、wind，进入递归继续执行。如此时humidity是我们选择的最佳属性。

问题：

1. 什么样的熟悉是最佳的决策属性？
2. 什么叫做训练样本完美分类？

Q1:哪个属性是最佳属性?

比如这里有两个属性 A1(湿度)和 A2(风力)（64个数据，29个正例35个负例）

A1为true（湿度大）的有21正 5负 为false（湿度小）的有8正30负

A2为true（风力大）的有18正33负 为false（风力小）的有11正2负

注：正例是去运动，负例是不去。

此时到底A1和A2（湿度和风力）哪个作为根节点/最佳决策属性好呢？

当前最佳节点选择的基本原则：简洁

                        ----我们偏向于使用简洁的具有较少节点的树

如上图，假如有两种水果，西瓜和柠檬。我们使用颜色color作为根节点则只需要根据green还是yellow便能够判断是西瓜还是柠檬。而如果我们选择size大小，大的肯定是西瓜了，而小的说不定还是小西瓜，所以还要根据颜色来判断。

属性选择和节点混杂度(Impurity)

属性选择的基本原则：简洁

                —— 我们偏向于使用简洁的具有较少节点的树

在每个节点 N上，我们选择一个属性 T，使得到达当前派生节点的数据尽可能 “纯”

纯度(purity) – 混杂度(impurity)

如上图第一个的例子，经过了 颜色 ，则左边绿色都是西瓜右边黄色都是柠檬

而在第二个 尺寸 小 的节点上，又有西瓜又有柠檬，就不够 纯。

如何衡量混杂度？

1. 熵(Entropy) (广泛使用)

节点N的熵表示为在这个节点下不同的取值（w:以size大小为例w1是大w2是小,为w1的概率，为w2的概率。），每一个的和的相反数。

• 定义: 0log0=0
• 在信息理论中，熵度量了信息的纯度/混杂度，或者信息的不确定性
• 由上图可知，熵最大的时候概率为一半一半，即此时最不确定。
• 正态分布 – 具有最大的熵值

计算并判断下图例子：

 可以看到A1 A2都是29+，35-，接近一半一半，熵应该是接近于1的。

 

 

蓝线：1个类时概率为1，2个类时概率为0.5，16个类时概率为1/16

红线：1个类时最大熵为0，2个类时最大熵为1，无限增长。（其中最大时为均匀分布的）

2. Gini 混杂度 ( Duda 倾向于使用 Gini 混杂度)

在经济学和社会学上人们用 基尼系数 来衡量一个国家发展的平衡与否。

表示所有不相同情况的乘积（如果是A、B两种情况则p(A)*p(B)，如果是A、B、C三种情况则p(A)*p(B)+p(A)*p(C)+p(B)*p(C)）

或者 1-相同情况的乘积 （）

n = number of class（也是因为是均匀分布的，各部分都是1/n）

有了上限，上限为1.

3. 错分类混杂度

1-最大类的概率，即1-大多数进入的那个类(分对了，1-就是错的)

度量混杂度的变化--信息增益(IG)

由于对A的排序整理带来的熵的期望减少量

 原始S的熵值-经过属性A分类以后的期望熵值

经计算，可见A1（湿度）的IG(信息增益)更大一些，也就意味着我们获得了更多的信息(减少的熵更多一些)，我们选择A1作为根节点。

例：根据下表选择用哪个属性做根节点

Outlook的Gain最大，选它作为根节点。 

Q2: 何时返回(停止分裂节点)？ 

“如果训练样本被完美分类”

• 情形 1: 如果当前子集中所有数据 有完全相同的输出类别，那么终止

 

• 情形 2: 如果当前子集中所有数据 有完全相同的输入特征，那么终止

        比如：晴天-无风-湿度正常-温度合适，最后有的去了有的没去。此时即使不终止也没办法了，因为能用的信息已经用完了。这意味着：1、数据有噪声noise。需要进行清理，如果噪声过多说明数据质量不够好。2、漏掉了重要的Feature，比如漏掉了当天是否有课，有课就没办法出去玩。

可能的情形3: 如果 所有属性分裂的信息增益为0, 那么终止   这是个好想法吗？（No）

如上图此时树的第一个节点都找不出来(IG都是0)，如果3说得对，那此时决策树都无法构建。

假如我们不要这个条件，反正都一样，IG都是0，多个最大值的时候随机选一个关系就被构建出来了（此时也完美分类了）

 即在ID3中只有上面两种情况会停止分裂，如果IG=0，则随机取一个就好。

ID3算法搜索的假设空间

• 假设空间是完备的（即能处理属性的析取又能处理属性的合取）

        目标函数一定在假设空间里

• 输出单个假设（沿着树的一条路走下去）

        不超过20个问题(根据经验，一般feature不超过20个，过于复杂树比较长也容易产生过拟合)

• 没有回溯（以A1做根节点，没办法退回去看A2做根节点怎么样）

        局部最优

• 在每一步中使用子集的所有数据(比如梯度下降算法里权值的更新策略是每条数据更新一次的话，那就是每次只使用一条数据)

        数据驱动的搜索选择

        对噪声数据有鲁棒性

ID3中的归纳偏置（Inductive Bias）

• 假设空间 H 是作用在样本集合 X 上的

        没有对假设空间作限制

• 偏向于在靠近根节点处的属性具有更大信息增益的树

        尝试找到最短的树

        该算法的偏置在于对某些假设具有一些偏好 (搜索偏置)， 而不是对假设空间 H 做限制(描述偏置).

        奥卡姆剃刀（Occam’s Razor）*：偏向于符合数据的最短的假设

CART (分类和回归树)

一个通用的框架:

• 根据训练数据构建一棵决策树
• 决策树会逐渐把训练集合分成越来越小的子集
• 当子集纯净后不再分裂
• 或者接受一个不完美的决策

许多决策树算法都在这个框架下，包括ID3、C4.5等等。

三、过拟合问题

如上图，b比a更好，但如果像c一样每个点都被完美拟合了，错误率为0，但是如果有一个新的点：

此时c的算法的误差就太大了，过于匹配训练数据了，使得它在测试的更多未见实例上的泛化能力下降了。

决策树过拟合的一个极端例子：

• 每个叶节点都对应单个训练样本 —— 每个训练样本都被完美地分类
• 整个树相当于仅仅是一个数据查表算法的简单实现

即此时的树就是一个数据查表，可以类比数据结构里哈希表。这意味着查找时只能查找表里有的数据，对于没有的数据查不到，没什么泛化能力。

四、如何避免过拟合

对决策树来说有两种方法避免过拟合

• 当数据的分裂在统计意义上并不显著(如样例少)时，就停止增长：预剪枝
• 构建一棵完全树，然后再做后剪枝

在实际应用中，一般预剪枝更快， 而后剪枝得到的树准确率更高。 

对于预剪枝

很难估计树的大小

预剪枝: 基于样本数

通常一个节点不再继续分裂，当：

• 到达一个节点的训练样本数小于训练集合的一个特定比例 (例如 5%)
• 无论混杂度或错误率是多少
• 原因：基于过少数据样本的决定会带来较大误差和泛化错误(盲人摸象)

比如有100个数据，到当前节点只有5个数据了，就不继续向下分了，无论几个正几个负，说明分的过细了。

预剪枝: 基于信息增益的阈值

• 设定一个较小的阈值，如果满足下述条件则停止分裂：

• 优点: 1. 用到了所有训练数据  2. 叶节点可能在树中的任何一层
• 缺点: 很难设定一个好的阈值

选IG大的为节点，如果IG最大的还是有点小了， 则停止。

对于后剪枝:

• 如何选择 “最佳” 的树？

        在另外的验证集合上测试效果

• MDL (Minimize Description Length 最小描述长度):

        minimize ( size(tree) + size(misclassifications(tree)) ) 树的大小和错误率的和最小

后剪枝: 错误降低剪枝

• 把数据集分为训练集和验证集

        • 验证集:

                • 已知标签

                • 测试效果

                • 不要在验证集上不做模型更新!

• 剪枝直到再剪就会对损害性能:

        • 在验证集上测试剪去每个可能节点(和以其为根的子树)的影响

        • 贪心地去掉某个可以提升验证集准确率的节点

剪掉某个节点后，如何定义新的叶节点(父亲)的标签呢？

剪枝后新的叶节点的标签赋值策略

• 赋值成最常见的类别(60个data，50个+10个-，那就+)

• 给这个节点多类别的标签

        每个类别有一个支持度(5/6:1/6) (根据训练集中每种标签的数目)

        测试时: 依据概率(5/6:1/6)选择某个类别或选择多个标签

• 如果是一个回归树 (数值标签)，可以做平均或加权平均

• ……

错误降低剪枝的效果

从后到前，在验证集上一点点减枝。 

后剪枝: 规则后剪枝

1. 把树转换成等价的由规则构成的集合

        • e.g. if (outlook=sunny)^ (humidity=high) then playTennis = no

2. 对每条规则进行剪枝，去除哪些能够提升该规则准确率的规则前件

        • i.e. (outlook=sunny)60%, (humidity=high)85%，(outlook=sunny)^                 (humidity=high)80%

3. 将规则排序成一个序列 (验证集：根据规则的准确率从高往低排序)

4. 用该序列中的最终规则对样本进行分类（依次查看是否满足规则序列，即在规则集合上一条一条往下走直到能判断出来）

(注：在规则被剪枝后，它可能不再能恢复成一棵树)

一种被广泛使用的方法，例如C4.5

为什么在剪枝前将决策树转化为规则?

• 独立于上下文

        • 否则，如果子树被剪枝，有两个选择:

                • 完全删除该节点

                • 保留它

• 不区分根节点和叶节点

• 提升可读性

五、扩展: 现实场景中的决策树学习

1. 连续属性值

• 建立一些离散属性值，区间化，便于建立分支

• 可选的策略:

        • I.选择相邻但有不同决策的值的中间值 

            上图48与60，80与90之间yes no变了，我们可以取中间值

            (Fayyad 在1991年证明了满足这样条件的阈值可以信息增益IG最大化)

        • II. 考虑概率  

             如正态分布概率密度函数图像，区间长短可以不同，但其面积/数量是相同的。

2. 具有过多取值的属性

问题:

• 偏差: 如果属性有很多值，根据信息增益IG，会优先被选择

        • e.g. 享受运动的例子中，将一年里的每一天作为属性(又变成像查表了)

• 一个可能的解决方法: 用 GainRatio （增益比）来替代

3. 未知属性值

有的特征我们不知道是什么，可以把不知道的选成常见的，或者根据概率赋值。

4. 有代价的属性

即如果feature多，IG可以除以一个惩罚项，有代价可以除以cost...

六、其他信息

• 决策树可能是最简单和频繁使用的算法

        • 易于理解

        • 易于实现

        • 易于使用

        • 计算开销小

• 决策森林:

        • 由C4.5产生的许多决策树

• 更新的算法：C5.0 http://www.rulequest.com/see5-info.html

• Ross Quinlan的主页: http://www.rulequest.com/Personal/