决策树

决策树简介

非参数学习算法
天然可解多分类问题
也可解决回归问题
非常好的解释性

信息熵

熵在信息论中代表，随机变量不确定度的度量。
熵越大，数据的不确定性越高；熵越小，数据的不确定性越低。
$H=-\sum _{i=1}^k{p}_{i}log\left(p_i\right)$H=−i=1∑k​pi​log(pi​)
其中 $p_i$pi​代表 $k$k类信息中所占的比例

举个栗子

$1.\{\frac{1}{3},\frac{1}{3},\frac{1}{3}\}$1.{31​,31​,31​}

$H_1=-\frac{1}{3}log\frac{1}{3}-\frac{1}{3}log\frac{1}{3}-\frac{1}{3}log\frac{1}{3}=1.0986$H1​=−31​log31​−31​log31​−31​log31​=1.0986

$2.\{\frac{1}{10},\frac{2}{10},\frac{7}{10}\}$2.{101​,102​,107​}

$H_2=-\frac{1}{10}log\frac{1}{10}-\frac{2}{10}log\frac{2}{10}-\frac{7}{10}log\frac{7}{10}=0.8018$H2​=−101​log101​−102​log102​−107​log107​=0.8018

$3.\{1,0,0\}$3.{1,0,0}

$H_3=-log1=0$H3​=−log1=0

结论：势均力敌时，信息熵最大，而决策树的划分目标是，使得每个节点在某个维度和某个值划分之后，使信息熵最低，从而来确定该分类。

二分类时的信息熵公式： $H=-xlog\left(x\right)-(1-x)log(1-x)$H=−xlog(x)−(1−x)log(1−x)

$$
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

iris = datasets.load_iris()
X= iris.data[:,2:]
y = iris.target

plt.scatter(X[y==0,0],X[y==0,1])
plt.scatter(X[y==1,0],X[y==1,1])
plt.scatter(X[y==2,0],X[y==2,1])

plt.show()

调用sklearn中的决策树并使用信息熵训练模型

from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier(max_depth = 2, criterion = 'entropy')
clf.fit(X,y)

模拟使用信息熵进行划分

def entropy( p):
    return -p*np.log(p) -(1-p)*np.log(1-p)

def split(X, y, d, value):
    index_a = X[:,d] <= value
    index_b = X[:,d] > value
    return X[index_a],X[index_b],y[index_a],y[index_b]

from collections import Counter
import math

def entropy(y):
    counter = Counter(y)
    res = 0.0
    for num in counter.values():
        p = num/len(y)
        res +=-p*math.log(p)
    return res
    
def try_split(X,y):
    best_entropy = float('inf')
    best_d ,best_v = -1,-1
    for d in range(X.shape[1]):
        sorted_index=np.argsort(X[:,d])
        for i in range(1, len(X)):
            if X[sorted_index[i-1],d] != X[sorted_index[i],d]:
                v = (X[sorted_index[i-1],d] + X[sorted_index[i],d]) / 2
                x_l,x_r,y_l,y_r = split(X,y,d,v)
                e = entropy(y_l) + entropy(y_r)
                if e < best_entropy:
                    best_entropy ,best_d,best_v = e,d,v
    return best_entropy,best_d,best_v
best_entropy,best_d,best_v =try_split(X,y)
print("best_entropy: ",best_entropy)
print("best_d: ",best_d)
print("best_v: ",best_v)

基尼系数

$G=1-\sum _{i=1}^k{p}_i^2$G=1−i=1∑k​pi2​

举个栗子

$1.\{\frac{1}{3},\frac{1}{3},\frac{1}{3}\}$1.{31​,31​,31​}

$G_1=1-(\frac{1}{3}{)}^2-(\frac{1}{3}{)}^2-(\frac{1}{3}{)}^2=0.6666$G1​=1−(31​)2−(31​)2−(31​)2=0.6666

$2.\{\frac{1}{10},\frac{2}{10},\frac{7}{10}\}$2.{101​,102​,107​}

$G_2=1-(\frac{1}{10}{)}^2-(\frac{2}{10}{)}^2-(\frac{7}{10}{)}^2=0.46$G2​=1−(101​)2−(102​)2−(107​)2=0.46

$3.\{1,0,0\}$3.{1,0,0}

$G_3=1-1^2=0$G3​=1−12=0

二分类时的基尼系数:

$G=1-x^2-(1-x{)}^2=-2x^2+2x$G=1−x2−(1−x)2=−2x2+2x

调用sklearn中的决策树并使用基尼系数训练模型

from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier(max_depth = 2, criterion = 'gini')
clf.fit(X,y)

模拟使用基尼系数划分

def split(X, y, d, value):
    index_a = X[:,d] <= value
    index_b = X[:,d] > value
    return X[index_a],X[index_b],y[index_a],y[index_b]

from collections import Counter
import math

def gini(y):
    counter = Counter(y)
    res = 1.0
    for num in counter.values():
        p = num/len(y)
        res -= p**2
    return res
    
def try_split(X,y):
    best_g = float('inf')
    best_d ,best_v = -1,-1
    for d in range(X.shape[1]):
        sorted_index=np.argsort(X[:,d])
        for i in range(1, len(X)):
            if X[sorted_index[i-1],d] != X[sorted_index[i],d]:
                v = (X[sorted_index[i-1],d] + X[sorted_index[i],d]) / 2
                x_l,x_r,y_l,y_r = split(X,y,d,v)
                e = gini(y_l) + gini(y_r)
                if e < best_g:
                    best_g ,best_d,best_v = e,d,v
    return best_g,best_d,best_v
best_g,best_d,best_v =try_split(X,y)
print("best_entropy: ",best_g)
print("best_d: ",best_d)
print("best_v: ",best_v)

信息熵VS基尼系数

信息熵的计算比基尼系数稍慢
sklearn中默认为基尼系数
大多数人时候二者没有特别明显的优劣

决策树解决回归问题

import numpy as np
import  matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split


boston = datasets.load_boston()
X=boston.data
y=boston.target

X_train,X_test,y_train,y_test = train_test_split(X,y ,random_state=666)

from sklearn.tree import DecisionTreeRegressor
dt_reg = DecisionTreeRegressor()
dt_reg.fit(X_train, y_train)

分类回归树CART(Classification and Regression Tree)

根据某个维度d和某个阈值v进行二分
sklearn中实现的决策树为CART

from sklearn.tree import DecisionTreeClassifier
dt_clf = DecisionTreeClassifier()
dt_clf.fit(X_train, y_train)

复杂度

训练： $O\left(nmlogm\right)$O(nmlogm)
预测： $O\left(logm\right)$O(logm)
通常需要剪枝来降低复杂度，解决过拟合。

决策树的局限性

1.决策边界都是横平竖直的，不能斜着划分。
2.对个别数据很敏感。