建立决策树的逻辑

一个小故事

zenRRan二十出头了，到了婚配的年龄啦。又因为家是名门望族，所以一堆人抢着想来应聘配偶的职位。但是zenRRan比较挑剔，必须达到他的要求才能有机会成为他的另一半，要求为：

1. 性别女，非女性不要

于是刷刷刷走了一半人，剩下的全部为女性。

2.身高必须要在150-165cm

于是又走了一堆人，剩下的为160-165cm之间的女生。

3.性格要温柔贤惠

听到这些，又走了一些人，最后留下的极为最后的应聘候选人。

上述过程可以用树来表示：

像上面的这样的二叉树状决策在我们生活中很常见，而这样的选择方法就是决策树。机器学习的方法就是通过平时生活中的点点滴滴经验转化而来的。

建立决策树的逻辑

正如上述树状图所示，我们最终会通过特征：

性别，身高，性格

得到了4种分类结果，都存在于叶子节点。

非女生，身高不符合的女生，身高符合性格不符合的女生，都符合的最佳候选人。

现在我们来回想下上面的建立决策的流程：

首先在一群给定数据（应聘者）中，我们先通过一个特征（性别）来进行二分类。当然选取这个特征也是根据实际情况而定的，比如zenRRan选取第一个条件为性别的原因是，来的男的太多了，比例占的有点大，所以先给他分成类放到一边，剩下的更加好分类而已。

然后，对叶子节点（那些还想继续分类的节点们）继续进行上述的流程。

那么怎么选取特征作为当前的分类依据呢？有两种方法：

信息熵和基尼系数。

信息熵

熵这个概念想必大家都不陌生，熵用来表示数据的确定性程度。研究一个词，就要从他的来源说起，熵，来自热动力学，表示原子或者一个事物的稳定程度，温度越高，原子越活跃，越不稳定；反而温度越低，就越稳定，越保持不动。所以慢慢的这个概念被用到各个方向，也就有了新的定义词汇，但是它的本意没变，就是稳定程度大小的表示。

那么在决策树里面，我们用的是一种熵，信息熵，来表示类别的稳定程度。

公式为：

注：p为一个类的占比

什么意思呢？具体用数字表示下：

比如一个分类结果由三个类组成，占比为1/3 1/3 1/3，那么它们的信息熵为:

如果占比为1/10 2/10 7/10，那么它的信息熵为：

那再举一个极端情况，也就是我们想要得到的类，只包含一种情况，其他的比例为0，那么比如占比情况为：1 0 0，那么它的信息熵为：

我们会发现一个分类结果里，里面的类别比例越是接近，信息熵也就越大，反之越是趋向于一个值，越是小，会达到0。

如果将所有的情况考虑在内的话，就能绘成一个图（为了好画，以该分好的类别里有两种事物为例）：

我们会发现，当占比为0.5的时候，也就是另一个事物的占比也是0.5的时候信息熵最高，当倾向于一个事物的时候，信息熵最小，无限接近并达到0。

为什么都占比一样的时候信息熵最大呢？也就是说最不稳定呢？因为当每个事物都占比一样的时候，一个小事物进来，不清楚它到底属于哪一类；如果只有一类事物或者一类事物居多数，那么也就比较明确该属于哪类，也就稳定，确定了。

那么怎么用呢？

我们通过计算机分类，因为有很多种分类情况，不是每一次分类都是直接将同一类分到一个类别里，而是将该分好的两个类的信息熵总和最小为依据，不断地通过暴力寻找最佳选择。然后递归进行对分好类的数据进行再分类。

基尼系数

基尼系数和信息熵在这里具有同样的性质。先看看它的公式：

公式看不出什么特色之处，就继续用数字展示下：

比如依然是三分类，类别占比为1/3 1/3 1/3，基尼系数为:

类别占比为1/10 2/10 7/10，基尼系数为：

如果是极端情况下占比为1 0 0，那么基尼系数为;

我们根据公式其实就能看出来，平方的函数为凸函数，而该公式在都相等的时候值最大。

代码实现

再重说下流程：

通过对每个特征进行尝试分类，记录当前分类最小的信息熵（或基尼系数）的特征为当前分类结果。

选取一些点，初始化数据：

X为二维平面的数据点，Y为类别。

数据点分布情况：

信息熵函数：

基尼系数函数：

二者使用一个即可。

下面是一个分类核心的流程：

文字描述为：

对数据点的特征0维进行尝试分类，先按照0维数据排序，然后取每相邻的中点值，然后以0维该值分界线，处于分界线两侧的数据分别求信息熵（或基尼系数），如果比之前的小，这就保存该值和当前维度。然后选取第1维进行相同操作，最终的最小信息熵（或基尼系数）最小对应的值为本次分类的结果。

但是这个仅仅是一层分类，如果还子节点还有要分类的数据，继续上述操作即可。

分类代码：

分类效果流程图：

决策树第一层分类结果为：

当前线为最佳值，1维的数据就是分过的，但是没有当前的值好，也就没显示。

现在已经分出了两类，左边的红色和右边的绿色+蓝色。那么还要对上述的右边进行分类，获取该数据，并且继续进行分类，分类流程图为：

最终得出的分类结果为上述两条线。其中粉色为第一层分类，紫色为第二层分类。

批判性思维看决策树

看到上述的分类结果，其实你心里也想到了决策树的缺点了，就是分类总是横平竖直的，不能是曲线。

比如

该四个数据的分类最佳理想条件下应该为上述紫色线条，但是决策树的结果为;

如果存在数据在：

明明应该属于蓝色点的，但是被划分到红色点里。

所以可以看出，决策树对数据的要求是是苛刻的。

另一个问题是，决策树的学习问题，从上述代码实现过程能够看出来，可以说是暴力求解了。

责任编辑：lq