导读

随机森林，梯度提升都是基于决策树的算法，那决策树到底又是什么东西呢？今天给大家先简单的介绍一下，完全是概念上的介绍，没有数学，没有公式，大家先有一个直观上的了解再说吧。

你会在灾难中幸存吗？

特定的人群，比如妇女和儿童，会首先受到救助，她们会有比较大的机会活下来。知道你是不是属于这样的特权人群，可以帮助你预测你是否能幸存。我们可以使用决策树，来发现哪种人群具有高的幸存率。

定义

决策树在预测的时候，通过问你一系列的问题，来决定你是否属于某个人群（图1），每个问题又两个可能的回答，比如“yes”或者“no”，从最顶端的的问题开始，叫做根节点，然后根据你属于哪个人群，走到对应的枝干上，直到你走到叶子节点上，在叶子节点上，幸存者的比例就是你存活的概率。

图1 决策树的例子

决策树是个多面手，可以处理类别变量或者连续变量，如果问题是关于连续变量的，可以通过分割来分成不同的组—比如，和平均值比较，分成“高于均值”和“低于均值”两组。

在标准的决策树中，应该只有两个可能的回答，也就是“yes”或者“no”，如果我们想有更多的回答（“yes”, “no”, “sometimes”），我们可以在树的下面增加枝干。

图2 在决策树中进行多类别测试

图解

我们使用一个不幸的邮轮的乘客数据，Titanic，看看是不是特定的人群生成的几率更大。我们用的数据是原始数据的一个子集。

通过决策树预测生存率，会生成下面的树：

图3 预测你是否能在泰坦尼克沉船事件中幸存

从结果看，如果你是来自一等二等舱的女性，或者来自一等二等舱的男孩子，那么你有很大的概率获救。

决策树很受欢迎，因为非常容易解释，问题是，决策树是怎么生成的？

技术解释

决策树首先将所有的数据分裂成两组，相似的数据归为相同的组，然后在各自的组中，再进行重复的二元分裂。最终，每个叶子节点会有很少的但是更加同质性的数据，决策树的基础是通过树中的不同的路径，到达“幸存者”的孤立的组，属于这些路径的数据都可以预测为“幸存者”。

重复的分隔数据，得到同质化的组的过程就叫做递归分割，包含2个步骤，可以通过下面的动图来看：

Step 1:确定要问的问题，这个问题能让分割之后的两个组中的数据具有最佳的同质性。

Step 2: 对每个叶子节点，重复Step 1,，直到满足停止条件。

有好几个不同的停止条件：

– 当叶子节点中所有的数据都是相同的类别/值，停止

– 当叶子节点的数据个数小于5，停止

– 当继续分割之后，得到的同质性的提升小于一个阈值的时候，停止

停止条件通过交叉验证的方式来选取，这样可以保证在新数据上具有最佳的准确率。

递归分裂的时候，需要选取最佳的二分类的问题，来进行树的生长，那些不显著的变量会显示出对结果没有什么影响。二值问题对数据进行了主要的分割，所以，决策树对于极端点（离群点）是鲁棒的。

限制

使用最佳的二分类问题来分割数据，可能开始的时候并不能得到最高的准确率，有时候，使用一些不太高效的分割可能会得到更好的预测。

为了解决这个问题，我们可以使用不同的二值问题的组合来生成不同的树，然后使用这些树一起进行预测。就就叫做随机森林。或者，不用随机组合二值化问题，我们可以进行有策略的选择，这样，后面的树的预测准确率会持续的提升，然后对所有的树做个加权平均，这个方法叫做梯度提升。

随机森林和梯度提升都可以得到更高的准确率，但是他们的复杂性导致了可视化比较困难，所以，常常被称作“黑盒子”。另一方面，来自决策树的预测可以使用树图来检查，学习哪个预测器更加重要，让我们可以更加有目的的介入。

作者：Annalyn Ng 编译：ronghuaiyang
原文链接：https://algobeans.com/2016/07/27/decision-trees-tutorial/