浅析决策树及其剪枝、集成方法
导读
决策树作为机器学习十大算法之一，具有易理解，可解释性强，使用场景多（包括特征重要性）等，利用提升（Boosting）方法可以构建较好的基准线（baseline），但优化决策树存在许多注意点，比如剪枝（pruning）方法的选择，集成（ensemble）方法的取舍等；本文借鉴了多篇（目前是12篇）博客，包括towarscience、博客园、知乎、简书、machinelearningmastery（强推）、高校ppt等资源，进行初步分析；
决策树实际落地还有许多注意点（选择、取舍等）、优化方法、数学原理等内容，本篇不做深入探讨，另找时间出一篇更深入的博客，希望大家多提意见，一起进步呀。
brief introduction
information
决策树（Decision Tree，以下简称DT），是简单树形结构（tree structure）的基于概率期望值（expected probability）的非线性分类器（nonlinear classifier）（分类超平面类似于折跃函数(folding function)\([1][2]\) ）;通过（在当前节点（node））不断寻找信息增益（information gain）最大的位置分割特征，生成并（使用分支（branch））连接子节点（leaf nodes）\([1]\) 。
其中需要学习三个数据值：树形状（structure learning）（深度和广度）、决策阈值（decision threshold）、叶节点对应值（classifier results）。（图来源\([1 ]\)
多变量决策树（Multivariate Decision Tree）\([3]\)，即使用特征线性组合进行特征分割，以达到“斜划分”；。（图来源\([3]\) ）
details
属性：简单但可解释性（Interpretability）强，监督学习（supervised learning），非线性分类器（nonlinear classifier），树结构（tree instructure），基于期望概率（expected probability）\([1]\)，基于分类信息熵（information entropy）或回归均方误差（Mean Squares Error），不支持在线学习。
求解：分类树：因为要使分类结果的各个叶节点中样本尽可能属于同一类，所以采用信息混乱度衡量（即信息熵），（类似于贪心算法）每一次分割都使信息熵增加最多；回归树：切分连续数据，损失函数为均方误差，基于残差数据拟合多个子树，叠加得到回归决策树\([4]\)。
扩展：决策树极易受到异常数据干扰进而过拟合：
1.采用剪枝（pruning）方法，包括预剪枝（prepruning）和后剪枝（post-pruning）\([3]\) ，方法有设置参数阈值、错误率降低剪枝（ Reduced-Error Pruning ， REP） 、悲观错误剪枝（ Pessimistic Error Pruning， PEP） 、代价复杂度剪枝（ Cost-Complexity Pruning， CCP) \([4]\) ；
2.采用集成方法（ensemble methods），包括装袋（bagging）和提升（boosting），方法有随机森林(Random Forest)、梯度提升决策树（ Gradient Boosting Decision Tree）等。
entropy
| algorithm | entropy | remarks |
|---|---|---|
| ID3 | information gain | 多叉树，离散特征，偏好类别较多特征 |
| C4.5 | gain-ratio | 多叉树，可连续特征，偏好类别较少特征 |
| CART | gini impurity | 二叉树，分类和回归 |
-
信息熵：集合总体不确定性程度\([6 ]\)
\[\begin{aligned} \H(X)=-\sum_{i=1}^nP_i\log_2{P_i} \end{aligned} \] -
条件熵：已知某个信息下，集合不确定性程度$[6 ] $
\[\begin{aligned} \H(X|Y) &=\sum_{v\in values(Y)}P_{Y=v}\H({X|Y=v})\\ &=\sum_{v\in values(Y)}P_{Y=v}[-\sum_{i=1}^nP_{X=i,Y=v}\log_2{P_{X=i,Y=v}}]\\ \end{aligned} \] -
延伸阅读：卡方自动交互检测（CHi-square Automatic Interaction Detection，CHAID），用于在分类树计算时，执行多级分割；多元自适应回归样条（Multivariate Adaptive Regression Splines，MARS）\([12]\) 。
information gain
-
信息增益：特征\(F\)对数据集\(D\)不确定性减少的程度（包括信息熵和条件熵）
\[\begin{aligned} {\cal{g}}(D,F)&= \H(D)-\H(D|F)\\ \end{aligned} \] -
特点：偏好类别取值数量较多的特征（即类别取值数量更多的特征对集合的信息增益更大）
- 原因：（类别多，可能分类后集合熵更低，此时信息增益更大，但可能出现分类过细而过拟合\([6 ]\)），可能出现的情况，难以通过公式推导证明；
- 解决办法：使用信息增益率；
-
迭代二分法三（The Iterative Dichotomiser 3，ID3）使用
- 优缺点：每次仅搜索空间一部分，速度快，测试数据少，形式简单（不分割特征值），深度小；但无法处理连续数值和缺失数据\([8]\) ；
information gain-ratio
-
信息增益率：特征\(F\)对数据集\(D\)的信息增益除以特征\(F\)的信息熵（即注重有效信息增益）
\[\begin{aligned} {\cal{g_r}}(D,F)&= \]\end{aligned}
\[ \]- 原因：（类别少，必然使分类后惩罚系数（即特征信息熵）更小，此时信息增益率更大，但可能出现分类粗糙而欠拟合\([6]\) ）
- 解决办法：先选择信息增益高于平均的部分，从中，再选择信息增益率最高的\([6][9]\) ；
-
C4.5使用
- 优缺点：支持对连续数据进行离散化（下面详细讨论），可以对缺失数据进行填充（下面详细讨论），K次迭代交叉验证，可以使用剪枝方法；但速度较慢，计算复杂（多叉树、对数运算、排序）\([8]\) ；
gini impurity
-
基尼不纯度：从数据集 D 中随机抽取一个样本，其类别被错分的概率 （数值等于随机抽取两个样本，类别不一致的概率）\([4][9]\) ；
\[\begin{aligned} {\cal{Gini}}(p) &=\sum_{k=1}^Kp_k(1-p_k)\\ &=1-\sum_{k=1}^Kp_k^2 \end{aligned} \] -
特点：物理含义接近C4.5，更便于计算\([4]\)
-
分类与回归树（Classification And Regression Tree）分类时使用：
- 优缺点：计算简单，几乎不需要预处理\([7]\)；需要生成多个决策树（sequence of decision trees），使用代理特征分割（surrogate splits）时计算量爆表\([9]\)
MSE/LSD
-
均方误差（Mean Squares Error，MSE）\([4]\) ： 计算每个序列间隔（序号：x.5，即两个连续数据点的中间）拆分的子序列之最优输出（均值），在计算最优输出与真实数据间的平方误差，迭代选择最小MSE；最后融合多个子树；
-
最小二乘偏差（Least Squares Diviation，LSD）\([7]\) ：在均方误差首次计算后，迭代选择最小LSD，减少计算量；
-
分类与回归树（Classification And Regression Tree）回归时使用：
- 优缺点：回归中解释性强，能回归高度非线性；但因变量和自变量之间的关系无法很好逼近\([12]\) 。
pruning
机器学习笔记（6）——C4.5决策树中的剪枝处理和Python实现，决策树系列（二）——剪枝，决策树的剪枝问题，
pre-pruning
- 可以有效提高泛化能力才进行下一步分割，减少计算；但容易产生“视界局限”，即会忽略下下一步（已被舍弃）\([2]\) ，且需要准备测试集：
- 信息熵增最小阈值
- 广度/深度最大阈值
- 叶节点最少样本阈值
- 性能提高最小阈值（常用）
- 留出法：留出部分数据作为测试集，每一步分割，都比较测试集在分割前后的精度，有性能提升则进行分割（即性能提高最小阈值为0%）\([3]\) 。
post-pruning
-
使树充分生长，然后自底而上消除能提高泛化能力的子树，克服“视界局限”；计算量大不适用于大数据量\([2]\) ，可以不需要测试集：
- 错误率降低剪枝（REP）
- 悲观错误剪枝（PEP）
- 代价复杂度剪枝（CCP)
-
错误率降低剪枝（REP）：留出测试集，自下而上比较测试集在叶节点上下精度，有必要即删除（类似于预剪枝-留出法的反向）（用于ID3）\([11]\)
-
悲观错误剪枝（PEP）：自上而下比较在节点上（带惩罚项\(\epsilon\)，也是“悲观”的原因）的错误率和标准误差，如果树错误率大于节点错误率-标准误差，执行剪枝（用于C4.5）\([11][13]\) ；充分使用数据准确率高，但容易剪枝过度（自上而上的“视界局限”）甚至剪枝失败。
\[\begin{aligned} &E(n^+)\geq E(n)-S{\large(}E(n^+){\large)} \\ define: &E(n^+)=\sum_{i=1}^m(e_i+\epsilon)\\ &E(n)=e+\epsilon\\ &S{\large(}E(n^+){\large)} =\sqrt{np(1-p)}\\ &\epsilon=0.5, p:E(n^+)/n\\ &m：叶节点数量, n:总样本数\\ &n^+:带节点n的树,n:节点n \\ \end{aligned} \] -
代价复杂度剪枝（CCP)：计算全部节点的剪枝系数，循环查找最小剪枝系数，从而获得多个剪枝后的树（决策树序列\(T_k\)），交叉验证选择最优树（用于CART）\([13]\) ；避免剪枝过度，但计算量较大。
\[\begin{aligned} \alpha &=\frac{\R(t)-\R(T)}{m-1}\\ &=\frac{r_e(t)\cdot p_{all}(t)-\sum^m\R(T_i)}{m-1}\\ &=\frac{r_e(t)\cdot p_{all}(t)- \sum^mr_e(T_i)\cdot p_{all}(T_i)}{m-1}\\ define:\qquad &r_e(t):节点t错分样本在节点样本占比\\ &p_{all}(t): 节点t样本在全部样本占比\\ &m：叶节点数量\\ &T_i:节点t为根的树T的叶节点\\ \end{aligned} \]
value processing
continuous value\([4][9]\)
- 区间划分（bi-partition）：特征\(F\in[a,d]\)，（启发式方法）分割为多个空间\(F_1\in[a,b),F_2\in[b,c),F_3\in[c,d)\) （C4.5）；
- 取值划分：特征\(F\)，取值\([1,2,3,4,5]\)，在取值间隙（如\([1,2,3]/[4,5]\)）划分，且可连续划分（即视为类别较多的离散值）（CART）；
missing value\([3][9]\)
-
缺失特征信息增益率：在非缺失值上进行分裂，计算信息增益率，然后根据非缺失值的占比在计算出来的信息增益率前加入比值系数\([9 ]\)
\[\begin{aligned} &g(D,F^+)=\frac{len(F^+)}{len(F)}g(D_F^+,F^+) \\ define:\qquad &F^+:特征中非缺失值\\ &D_F^+:集合中非缺失值集合\\ \end{aligned} \] -
最优特征缺失：使用样本权重将缺失值按照权重切分划分到不同的节点中 \([9]\)
ensemble model
集成方法是重要算法，与决策树同一地位，后续会另开一篇续写Bagging、Boosting（AdaBoost、XGBoost）等；
推荐阅读：深度随机森林（Deep Random Forest），作者周志华，3 Reasons to Use Random Forest Over a Neural Network–Comparing Machine Learning versus Deep Learning，DPP（determinant point process），Determinantal point processes for machine learning；
这些模型也是集成模型（想不到吧）
- dropout/dropconnect
- bayesian model
- denoising autoencoder
bagging
使用同一份样本，有放回随机采样（bootstrap aggregating），并行构建K个模型，最后投票决定\([4]\) ；（单个模型拟合过强，容易过拟合）
- 随机森林（Random Forest，RF）：（通过提高子集多样性(diversity)）有效减少方差（variance reduction）（\(\frac{\sigma^2}{K}\)），降低错误风险，有效处理高维数据，处理缺失数据并保持准确性；但（回归）取值无法精确；\([14]\)
boosting
使用均等分割的样本，基于概率近似正确（Probability Approximatly Correct），逐步训练K个模型，最终得到最终模型（\(f_K(x)=\sum_{m=1}^Kh_m(x)\)）\([4]\) ；（单个模型拟合过弱，容易欠拟合）Decision Tree vs Random Forest vs Gradient Boosting Machines: Explained Simply，Boosting and AdaBoost for Machine Learning；
| 外循环 | 内循环 | 公式 |
|---|---|---|
| 初始化模型 | \(f_0(x)=0\) | |
| 迭代K次（生成K个弱模型） | for i in range(1,K) | |
| 初始损失 | \(l_i=L(y,f_{i-1}(x))\) | |
| 拟合损失， 生成当前学习器 |
\(h_i(x)=classifier_i(x,l_i)\) | |
| 本轮损失 | \(l_i=L(y,f_{i-1}(x)+h_i(x))\) | |
| 生成新模型 | \(f_i(x)=f_{i-1}+h_i(x)\) | |
| 得到提升树 | \(f_K(x)\) |
- 梯度提升决策树（Gradient Boosting Decision Tree，GBDT）（又叫Multiple Additive Regression Tree，MART）：以梯度下降的最速下降近似方法，即以损失函数负梯度拟合决策树，此处是残差（\(y-f_{i-1}(x)\)） \([4]\) ；
| 外循环 | 内循环 | 公式 |
|---|---|---|
| 初始化模型 | \(f_0(x)=\arg\min_c\sum_{i=1}^NL(y_i,c_0),c_0=mean(labels)\) | |
| 迭代K次 | for i in range(1, K) | |
| 损失 | \(l_i=-[\frac{\partial L(y,f_{i-1}(x))}{\partial f_{i-1}x}]\) | |
| 拟合损失的学习器 | \(h_i(x)=classifier_i(x,l_i)\) | |
| 输出值 | \(c_i=\arg\min_c\sum_{x_i\in \R_i}L(y_i,f_{i-1}(\hat{x})+c_{i-1})\) | |
| 生成新模型 | \(f_i(x)=f_{i-1}+lr\cdot\sum_{j=1}^Jc_iI\) |
#reference links
[1].Stanford，课程：Data mining and analysis，Lecture 19: Decision trees；
[2].百度百科，决策树；
[3].机器学习（西瓜书），作者：周志华，第四章第五节；
[4].贪心科技，课程：自然语言训练营，回顾-决策树；
[5].towardscience，作者：Anuja Nagpal，Decision Tree Ensembles- Bagging and Boosting;
[6].博客园，作者：张小呱，决策树--信息增益，信息增益比，Geni指数的理解；
[7].towardscience，作者：Diego Lopez Yse，The Complete Guide to Decision Trees；
[8].新浪博客，作者：杨童，【周记2】C4.5算法来源；
[9].知乎，作者：马东什么，决策树 ID3 C4.5 cart 总结；
[10].towardscience，作者：Lorraine Li， Classification and Regression Analysis with Decision Trees；
[11].博客园，作者：学会分享~，决策树系列（二）——剪枝；
[12.].towardscience，作者：Nagesh Singh Chauhan：，Decision Tree Algorithm — Explained；
[13].博客园，作者：DreamFaquir，决策树-剪枝算法（二）；
[14].towardscience，作者：Neil Liberman，Decision Trees and Random Forests；
