关于决策树你需要了解的一切

作者：Marco Peixeiro
编译：ronghuaiyang

导读

决策树，随机森林，bagging，boosting的介绍以及背后的原理

基于树的方法可以用于回归或分类。它们涉及到将预测空间分割成几个简单的区域。分割规则集可以总结在树中，因此名为 决策树方法。

创新互联公司是一家集网站建设,江干企业网站建设,江干品牌网站建设,网站定制,江干网站建设报价,网络营销,网络优化,江干网站推广为一体的创新建站企业，帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿，时刻以成就客户成长自我，坚持不断学习、思考、沉淀、净化自己，让我们为更多的企业打造出实用型网站。

单个决策树的性能通常不如线性回归、logistic回归、LDA等。但是它可以损失一些可解释性，大幅度提高预测精度。

在这篇文章中，我们将介绍关于决策树、bagging、随机森林和boosting算法的所有知识。这将是一个漫长的阅读，但它将是值得的！

决策树基础

回归树

在讨论理论之前，我们需要一些基本的术语。

树是倒着画的。最后的区域称为叶子，树中发生分割的点是一个分割节点。最后，连接节点的段是“分支”。

回归树示意图

创建一个回归树：

1. 将预测空间划分为J个不同且不重叠的区域
2. 对于一个区域内的每一个样本值，将该区域内响应值的平均值作为预测值

每个区域都通过最小化RSS（Root-Sum-Squares）进行分割。为此，它采用 自顶向下的贪婪方法，也称为 递归二元分割。

为什么自顶向下？

因为所有的样本在第一次分裂之前都在同一个区域。

为什么是贪婪的方法？

因为最好的分割发生在特定的步骤中，而不是向前看并进行分割，从而在未来的步骤中得到更好的预测。

数学上，我们将这对半平面定义为：

我们要求 j和 s最小化：

然而，这可能导致过拟合。修剪树将产生一个更小的子树，我们可以使用交叉验证进行验证。

未修剪的树的示意图

分类树

分类树与回归树非常相似。但是，我们不能使用响应的平均值，因此我们现在预测一个区域中最常见的类。当然，RSS不能用作标准。相反，每次分割都是为了最小化 分类错误率。

分类错误率就是在区域中不属于最常见类的训练样本的比例。

分类错误率公式

不幸的是，这对树的生长来说不够敏感。在实践中，还使用了另外两种方法。

基尼指数：

基尼指数

这是对所有类的总方差的度量。如你所见，如果比例接近0或1，则基尼指数会很小，因此它是衡量节点纯度的一个很好的指标。

类似的原理也适用于另一种称为交叉熵的方法：

交叉熵

现在我们已经了解了基本决策树的工作原理，让我们看看如何改进它的性能！

Bagging, 随机森林和Boosting

Bagging

我们之前已经看到bootstrap可以计算任意数量的标准差。对于决策树，方差很大。因此，通过bootstrap聚合或 bagging，可以减少方差，提高决策树的性能。

Bagging包括从数据集中反复取样。这会生成 B个不同的引导训练集。然后，我们对所有的bootstrap训练集进行训练，得到每个集合的预测，并对预测进行平均。

数学上的平均预测为：

将其应用到决策树中，意味着我们可以构造大量的具有高方差和低偏差的树。然后，我们可以对他们的预测进行平均，以减少方差，以提高决策树的性能。

随机森林

随机森林相比Bagging树提供了一种改进，方法是对树进行“装饰”。

就像Bagging一样，建立了多个决策树。然而，在每次拆分时，从所有 p个预测中随机选择 m个随机样本。通常分割只允许使用 m个预测中的一个

换句话说，在每次拆分时，算法都不允许考虑大多数可用的预测器！

为什么?

假设数据集中有一个非常强的预测器，以及其他中等强的预测器。然后，在bagging树的集合中，它们都将在顶部分割中使用这个强大的预测器。因此，所有的bagging树都是非常相似的，平均它们的预测不会减少方差，因为预测是高度相关的。

随机森林通过强制每个分割只考虑有效地“装饰”树的预测子集来克服这个问题。

当然，如果 m等于 p，这就像bagging。通常， p的平方根给出的结果最好，如下所示。

分类错误是树的数量的函数。每行表示每个分割中可用的预测的数量。

Boost

boost的工作方式与bagging类似，但树是按顺序生长的：每棵树使用以前生长的树的信息。

这意味着算法学习速度很慢。每个树都拟合模型的残差，而不是目标变量。因此，每棵树都很小，在它表现不佳的地方，它会慢慢地提高预测能力。

Boost有三个调优参数：

1. 树的数量( B)：与bagging和随机森林不同，如果 B太大，boost可能会过适合。使用交叉验证来选择正确数量的树。
2. 收缩参数( alpha)：控制boost学习速率的小正数。它通常设置为0.01或0.001。
3. 每个树的分割数( d)：它控制增强的集成的复杂性。通常，单个分割( d = 1)效果很好。它也被称为 交互深度。

分类错误是树的数量的函数。每一行表示不同的交互深度。

正如你在上面所看到的，交互深度为1似乎提供了最好的结果。

现在你知道了决策树、随机森林、提升和bagging的一切。决策树既可以用于回归，也可以用于分类，当结合使用boost、bagging时，它们的表现非常好。

在以后的文章中，我将展示如何使用Python在真实环境中实现决策树！

英文原文：

https://towardsdatascience.com/everything-you-need-to-know-about-decision-trees-8fcd68ecaa71

https://www.toutiao.com/a6727985346639823363/