一文理解决策树：原理、数学公式与全流程实战讲解

一、背景与来源

决策树（Decision Tree）是一种常见的机器学习算法，主要用于分类和回归问题。其概念来源于统计学和决策论，能够直观地模拟人类的决策过程。最早的决策树算法之一是 1963 年由 Hunt 等人提出的，该算法逐渐发展成为今天的多种改进版本，如 ID3、C4.5、CART 等。

决策树的核心思想是通过递归地将数据集划分为多个子集，形成树状结构。每个内部节点代表一个特征的决策，每个叶子节点则是决策结果（分类或回归值）。

二、数学原理

决策树的构建主要基于“信息增益”（Information Gain）或“基尼不纯度”（Gini Impurity）等指标。其核心思想是逐步选择最佳的特征来划分数据集，从而构建出能够最好地分类或回归的树。

• 信息增益：表示某个特征对分类结果的不确定性的减少量，公式为：

  $$\text{信息增益}=\text{熵}(D)-\sum _i\frac{|D_i|}{|D|}\cdot \text{熵}(D_i)$$
  其中，熵（Entropy）是衡量数据集混乱程度的指标，定义为：

  $$\text{熵}(D)=-\sum _{i=1}^n{p}_i{\log }_2(p_i)$$
  $p_i$ 表示类别 $i$ 的概率。

• 基尼不纯度：基尼不纯度用于衡量一个数据集在某特征下的不纯度，定义为：

  $$G(D)=1-\sum _{i=1}^n{p}_i^2$$
  $p_i$ 仍表示类别 $i$ 的概率。基尼不纯度越低，数据集越“纯”。

三、 决策树的构建流程

决策树的构建过程可以分为四个主要步骤，按照递归的方式生成树的结构，直到满足终止条件。构建决策树的核心是基于数据集的特征，逐步选择最优特征来进行数据的划分，从而产生不同的子集，直至满足某个停止条件。

1. 选择最优特征

首先，决策树通过选择具有最高信息增益（或最小基尼不纯度）的特征来划分数据。信息增益越大，表示该特征越能有效减少不确定性，从而更好地划分数据。

2. 划分数据集

选择一个特征后，决策树会根据该特征的不同取值将数据集分成不同的子集。对于每一个子集，递归重复选择最优特征来划分数据。

3. 递归生成子树

在每一次划分后，决策树会对子集递归地继续进行相同的过程，直到满足某些停止条件为止：

• 终止条件 1：当前节点的样本都属于同一个类别。此时，不再需要进一步划分。
• 终止条件 2：属性集合为空，或样本在所有属性上取值都相同。此时，无法继续划分，将此节点设置为叶子节点，类别为当前子集中样本最多的类别。
• 终止条件 3：样本集为空。此时，用父节点中最多的类别作为预测值。

4. 剪枝（可选）

为了防止决策树过拟合，有时需要进行剪枝操作。剪枝的过程是去除不必要的分支，保留重要的决策节点，从而提高模型的泛化能力。

剪枝的原因

决策树是一种贪心算法，倾向于不断细化树的每个分支，直到所有数据都被分开。尽管这种方法能够在训练集上取得较好的准确率，但它也容易导致模型过度复杂，从而难以在新的数据上做出准确的预测。这就是过拟合现象。

为了解决这个问题，剪枝通过去除那些对整体预测贡献较小的分支来简化决策树，从而提升模型在新数据上的表现。

剪枝的两种方式

剪枝可以分为两种类型：预剪枝和后剪枝。

(1) 预剪枝（Pre-pruning）

预剪枝是在构建决策树的过程中进行剪枝。具体做法是在划分节点时，提前判断是否需要继续分裂。只有当进一步的分裂能够显著提升模型性能时，才会进行划分，否则将终止划分。这种方法可以减少树的高度，防止生成过于复杂的决策树。

• 预剪枝的判断标准：
  • 信息增益阈值：如果节点划分带来的信息增益低于某个设定的阈值，则停止划分。
  • 样本数量：当某个节点中的样本数少于某个设定的最小样本数时，停止进一步划分。
  • 树的深度：限制树的最大深度，防止树过深导致过拟合。

优点：预剪枝可以有效减少训练时间，因为它避免了生成过于复杂的树。
缺点：预剪枝有时会过早停止分裂，导致模型的表现不如预期。

(2) 后剪枝（Post-pruning）

后剪枝是在生成完整的决策树之后再进行剪枝。该方法首先构建出一棵完整的决策树，然后从底部开始回溯，判断是否需要将某些子树替换为叶节点，从而简化模型。

• 后剪枝的过程：
  1. 从树的叶节点开始回溯，计算每个非叶节点的误差率。
  2. 如果将一个子树替换为叶节点后的误差率降低或变化不大，则进行剪枝。
  3. 重复这一过程，直到不能进一步剪枝。

优点：后剪枝在生成了完全拟合数据的决策树后再进行简化，因此能够避免预剪枝过早停止分裂的问题。
缺点：由于要先构建出一棵完整的决策树，后剪枝的计算成本较高。

剪枝的具体方法

剪枝的目的是减少不必要的分支，通常有几种常见的剪枝技术：

(1) 基于误差的剪枝

在这种方法中，使用 交叉验证 或独立的验证集来评估决策树中每个子树的表现。

具体来说，剪枝的过程是先考虑将一个子树替换为叶节点，计算这种简化后的误差。如果这个替换操作不会显著增加决策树在验证集上的预测误差，那么就进行剪枝操作，否则保留子树。

这种方法的优势在于它通过 独立数据集 的验证，确保剪枝不会过度简化模型。

(2) 最小误差剪枝（Minimal Error Pruning）

最小误差剪枝的核心思想是对比子树和替换为叶节点后的误差率。如果将某个子树替换为叶节点能够减少整体误差率，那么这个子树就可以被剪掉。

误差的衡量标准可以使用均方误差（MSE）或其他相关的损失函数。这种剪枝方法注重减少每一步操作的误差，以提高模型的性能。

(3) 代价复杂度剪枝（Cost Complexity Pruning）

代价复杂度剪枝是CART算法中常用的一种剪枝方法。它通过引入一个代价函数来平衡决策树的复杂度与其对数据拟合的效果。代价复杂度剪枝的目标是最小化以下函数：
$$R_{\alpha }(T)=R(T)+\alpha \times |T|$$
其中：

• $R(T)$ 是子树 $T$ 在训练集上的误差；
• $|T|$ 是树的叶节点数（即树的复杂度）；
• $\alpha$ 是惩罚参数，用于控制误差和复杂度之间的平衡。

通过调节参数 $\alpha$，可以找到最佳的剪枝程度，即在保证模型预测能力的前提下，尽可能地减少树的复杂度。较大的 $\alpha$ 会倾向于生成较小的树，而较小的 $\alpha$ 则允许生成更复杂的树。

这种方法有效防止了决策树在训练集上过拟合，同时保留了重要的结构信息。

实例分析：使用 ID3 算法构建决策树

我们将通过一个实际的例子来解释决策树的构建过程。

数据集

假设我们有如下数据集，包含了天气相关的信息以及是否适合进行户外活动的判断（“Yes” or “No”）。数据集有以下 4 个特征：

1. 天气（Outlook）：有 3 种取值：Sunny、Overcast、Rainy
2. 温度（Temperature）：有 3 种取值：Hot、Mild、Cool
3. 湿度（Humidity）：有 2 种取值：High、Normal
4. 风速（Wind）：有 2 种取值：Weak、Strong

数据表

目标是根据特征预测是否适合 “Play Tennis”（即 “Yes” 或 “No”）。

决策树构建步骤

Step 1：计算熵（Entropy）

首先，我们需要计算 整个数据集 的熵。熵是衡量数据集混乱程度的一个指标。它的公式如下：

$$\text{熵}(D)=-\sum _{i=1}^n{p}_i{\log }_2(p_i)$$

其中，$p_i$ 表示数据集中每一类的概率。

在这个例子中，数据集中有 9 个 “Yes” 和 5 个 “No”，因此：

$$p_{\text{Yes}}=\frac{9}{14},p_{\text{No}}=\frac{5}{14}$$

熵 $H(D)$ 为：

$$H(D)=-\left(\frac{9}{14}{\log }_2\frac{9}{14}+\frac{5}{14}{\log }_2\frac{5}{14}\right)=-\left(0.643\times {\log }_{2}0.643+0.357\times {\log }_{2}0.357\right)=0.940$$

Step 2：计算每个特征的信息增益

1. 天气（Outlook）

有三种可能的取值：Sunny、Overcast、Rainy。我们将根据这些取值划分数据集，然后计算每个子集的熵，并求出信息增益。

• Sunny：

  • 类别：3 个 “No”，2 个 “Yes”
  • 熵：$$H(Sunny)=-\left(\frac{3}{5}{\log }_2\frac{3}{5}+\frac{2}{5}{\log }_2\frac{2}{5}\right)=0.971$$

• Overcast：

  • 类别：4 个全是 “Yes”
  • 熵：$$H(Overcast)=0（纯数据集）$$

• Rainy：

  • 类别：3 个 “Yes”，2 个 “No”
  • 熵：$$H(Rainy)=-\left(\frac{3}{5}{\log }_2\frac{3}{5}+\frac{2}{5}{\log }_2\frac{2}{5}\right)=0.971$$

加权平均熵：

$$H(\text{Outlook})=\frac{5}{14}\times 0.971+\frac{4}{14}\times 0+\frac{5}{14}\times 0.971=0.693$$

信息增益：

$$\text{信息增益}(Outlook)=H(D)-H(Outlook)=0.940-0.693=0.247$$

2. 温度（Temperature）

取值有：Hot、Mild、Cool。我们对每个子集计算熵。

• Hot：

  • 类别：2 个 “No”，1 个 “Yes”
  • 熵：$$H(Hot)=-\left(\frac{2}{3}{\log }_2\frac{2}{3}+\frac{1}{3}{\log }_2\frac{1}{3}\right)=0.918$$

• Mild：

  • 类别：2 个 “No”，4 个 “Yes”
  • 熵：$$H(Mild)=-\left(\frac{2}{6}{\log }_2\frac{2}{6}+\frac{4}{6}{\log }_2\frac{4}{6}\right)=0.918$$

• Cool：

  • 类别：1 个 “No”，3 个 “Yes”
  • 熵：$$H(Cool)=-\left(\frac{1}{4}{\log }_2\frac{1}{4}+\frac{3}{4}{\log }_2\frac{3}{4}\right)=0.811$$

加权平均熵：

$$H(\text{Temperature})=\frac{3}{14}\times 0.918+\frac{6}{14}\times 0.918+\frac{4}{14}\times 0.811=0.889$$

信息增益：

$$\text{信息增益}(\text{Temperature})=0.940-0.889=0.051$$

3. 湿度（Humidity）

取值有：High、Normal。

• High：
  • 类别：4 个 “No”，2 个 “Yes”
  • 熵：$$
    H(High) = -\left( \frac{4}{6} \log_2 \frac{4}{6

} + \frac{2}{6} \log_2 \frac{2}{6} \right) = 0.918
$$

• Normal：
  • 类别：1 个 “No”，6 个 “Yes”
  • 熵：$$H(Normal)=-\left(\frac{1}{7}{\log }_2\frac{1}{7}+\frac{6}{7}{\log }_2\frac{6}{7}\right)=0.592$$

加权平均熵：

$$H(\text{Humidity})=\frac{6}{14}\times 0.918+\frac{7}{14}\times 0.592=0.788$$

信息增益：

$$\text{信息增益}(\text{Humidity})=0.940-0.788=0.152$$

4. 风速（Wind）

取值有：Weak、Strong。

• Weak：

  • 类别：2 个 “No”，6 个 “Yes”
  • 熵：$$H(Weak)=-\left(\frac{2}{8}{\log }_2\frac{2}{8}+\frac{6}{8}{\log }_2\frac{6}{8}\right)=0.811$$

• Strong：

  • 类别：3 个 “No”，3 个 “Yes”
  • 熵：$$H(Strong)=-\left(\frac{3}{6}{\log }_2\frac{3}{6}+\frac{3}{6}{\log }_2\frac{3}{6}\right)=1.000$$

加权平均熵：

$$H(\text{Wind})=\frac{8}{14}\times 0.811+\frac{6}{14}\times 1.000=0.892$$

信息增益：

$$\text{信息增益}(\text{Wind})=0.940-0.892=0.048$$

Step 3：选择最优特征

通过计算每个特征的信息增益，我们得到：

• Outlook 的信息增益：0.247
• Temperature 的信息增益：0.051
• Humidity 的信息增益：0.152
• Wind 的信息增益：0.048

最优特征是 Outlook，因为它具有最高的信息增益（0.247）。因此，我们将 Outlook 作为根节点进行划分。

第一轮划分（根节点：Outlook）

我们已经根据 Outlook 将数据集分为三个子集：

• Sunny 子集：

  Index	Outlook	Temperature	Humidity	Wind	Play Tennis
  1	Sunny	Hot	High	Weak	No
  2	Sunny	Hot	High	Strong	No
  8	Sunny	Mild	High	Weak	No
  9	Sunny	Cool	Normal	Weak	Yes
  11	Sunny	Mild	Normal	Strong	Yes

• Overcast 子集：

  Index	Outlook	Temperature	Humidity	Wind	Play Tennis
  3	Overcast	Hot	High	Weak	Yes
  7	Overcast	Cool	Normal	Strong	Yes
  12	Overcast	Mild	High	Strong	Yes
  13	Overcast	Hot	Normal	Weak	Yes

• Rainy 子集：

  Index	Outlook	Temperature	Humidity	Wind	Play Tennis
  4	Rainy	Mild	High	Weak	Yes
  5	Rainy	Cool	Normal	Weak	Yes
  6	Rainy	Cool	Normal	Strong	No
  10	Rainy	Mild	Normal	Weak	Yes
  14	Rainy	Mild	High	Strong	No

对 Sunny 子集递归划分

对于 Sunny 子集，我们需要重新计算剩余特征（Temperature、Humidity、Wind）的信息增益，选择最优特征进行下一步划分。

• Sunny 子集熵：
  • 类别：3 个 “No”，2 个 “Yes”
  • 总熵：$$H(Sunny)=-\left(\frac{3}{5}{\log }_2\frac{3}{5}+\frac{2}{5}{\log }_2\frac{2}{5}\right)=0.971$$

1. 计算 Temperature 的信息增益

在 Sunny 子集中，Temperature 有三个取值：Hot、Mild、Cool。

• Hot：2 个 “No”
  • 熵：$$H(Hot)=-\left(\frac{2}{2}{\log }_2\frac{2}{2}\right)=0$$
• Mild：1 个 “No”，1 个 “Yes”
  • 熵：$$H(Mild)=-\left(\frac{1}{2}{\log }_2\frac{1}{2}+\frac{1}{2}{\log }_2\frac{1}{2}\right)=1$$
• Cool：1 个 “Yes”
  • 熵：$$H(Cool)=-\left(\frac{1}{1}{\log }_2\frac{1}{1}\right)=0$$

加权平均熵：

$$H(\text{Temperature})=\frac{2}{5}\times 0+\frac{2}{5}\times 1+\frac{1}{5}\times 0=0.4$$

信息增益：

$$\text{信息增益}(\text{Temperature})=0.971-0.4=0.571$$

2. 计算 Humidity 的信息增益

Humidity 有两个取值：High 和 Normal。

• High：3 个 “No”
  • 熵：$$H(High)=-\left(\frac{3}{3}{\log }_2\frac{3}{3}\right)=0$$
• Normal：2 个 “Yes”
  • 熵：$$H(Normal)=-\left(\frac{2}{2}{\log }_2\frac{2}{2}\right)=0$$

加权平均熵：

$$H(\text{Humidity})=\frac{3}{5}\times 0+\frac{2}{5}\times 0=0$$

信息增益：

$$\text{信息增益}(\text{Humidity})=0.971-0=0.971$$

3. 计算 Wind 的信息增益

Wind 有两个取值：Weak 和 Strong。

• Weak：2 个 “No”，1 个 “Yes”
  • 熵：$$H(Weak)=-\left(\frac{2}{3}{\log }_2\frac{2}{3}+\frac{1}{3}{\log }_2\frac{1}{3}\right)=0.918$$
• Strong：1 个 “No”，1 个 “Yes”
  • 熵：$$H(Strong)=-\left(\frac{1}{2}{\log }_2\frac{1}{2}+\frac{1}{2}{\log }_2\frac{1}{2}\right)=1$$

加权平均熵：

$$H(\text{Wind})=\frac{3}{5}\times 0.918+\frac{2}{5}\times 1=0.951$$

信息增益：

$$\text{信息增益}(\text{Wind})=0.971-0.951=0.020$$

选择最优特征

通过比较 Sunny 子集中各特征的信息增益，Humidity 拥有最高的信息增益（0.971），因此选择 Humidity 作为划分标准。将 Sunny 子集按照 Humidity 划分成两个子集。

• High 子集：全部为 “No”，直接作为叶节点，标记为 “No”。
• Normal 子集：全部为 “Yes”，直接作为叶节点，标记为 “Yes”。

此时，Sunny 子集的递归过程结束，节点结构如下：

Outlook = Sunny
    -> Humidity = High: No
    -> Humidity = Normal: Yes

对 Overcast 子集递归划分

对于 Overcast 子集：

该子集中全部样本类别为 “Yes”，因此直接返回 “Yes” 作为该节点的叶节点。

对 Rainy 子集递归划分

对于 Rainy 子集，类似于对 Sunny 子集的划分，依次计算剩余特征的熵和信息增益，选择最优特征进行划分。最终的结构可能类似如下：

Outlook = Rainy
    -> Wind = Weak: Yes
    -> Wind = Strong: No

递归终止条件

递归过程需要满足一定的条件来停止继续划分。当满足以下任何一个条件时，递归过程会停止，当前节点会被标记为叶节点。

终止条件 1：同一类别

如果某个子集中的所有样本都属于同一个类别，则无需继续划分，该节点直接标记为该类别的叶节点。例如，所有样本的类别都是 “Yes”，则该节点为 “Yes” 类别的叶节点。

终止条件 2：属性为空或样本在所有属性上的取值相同

如果子集中的样本在所有剩余属性上的取值相同，无法进一步划分。此时无法区分不同类别，直接返回该节点中多数类别作为该节点的预测类别。

举例说明：

• 假设划分后的一个子集中，所有样本在 Temperature、Humidity 和 Wind 属性上取值完全相同，但类别不同。这种情况下，因为没有其他属性可以进一步区分样本，返回多数类别作为预测结果。

终止条件 3：样本集合为空

如果划分过程中某一分支没有样本（即子集为空），则无法继续划分。此时应返回父节点中的多数类别作为该分支的预测结果

最终决策树结构

根据递归划分过程，最终构建的决策树结构如下：

Outlook
├── Sunny
│   ├── Humidity = High: No
│   └── Humidity = Normal: Yes
├── Overcast: Yes
└── Rainy
    ├── Wind = Weak: Yes
    └── Wind = Strong: No

• 根节点：Outlook：决策树首先根据 Outlook（天气）这个特征将数据集分成三个子集：
  • 如果 Outlook = Sunny，则进一步根据 Humidity 划分：
    • Humidity = High 时，预测为 “No”。
    • Humidity = Normal 时，预测为 “Yes”。
  • 如果 Outlook = Overcast，预测为 “Yes”。因为所有样本都是 “Yes”。
  • 如果 Outlook = Rainy，则进一步根据 Wind 划分：
    • Wind = Weak 时，预测为 “Yes”。
    • Wind = Strong 时，预测为 “No”。

总结

通过递归划分特征，决策树将复杂的分类问题逐步分解为简单的条件判断。我们使用信息增益选择最优特征，直到满足停止条件。最终生成的决策树结构直观、易解释，能够根据特征的不同取值来预测是否适合打网球。

决策树的构建过程清晰体现了数据集划分的逐步细化，通过特征选择、子集划分与递归处理，生成了一棵结构化的树来进行分类任务。这一模型不仅简洁直观，也为实际应用中的分类问题提供了强有力的支持。