大家晚上好~

兩週前給大家科普了集成學習，很多同學都反饋說還想再學點機器學習的入門知識。

今天晚上就帶大家來學習機器學習中另外一個很重要的算法——決策樹。

在開講之前，咱們先來看個例子。

玩過狼人殺的同學都知道，不管遊戲過程多麼激烈，該遊戲的最終結局只有4種。

為了讓同學們更直觀地看到這4種結局，班主任畫了個非常生動形象（簡單粗暴）的圖：

這幅圖完整表達了狼人殺結局的各種情況，箭頭指向一個判斷條件在不同情況下的遊戲結果，最後通過場上剩餘的人來判斷是誰獲勝。

我們可以看出，在每一個關鍵節點（比如村人殺死所有的狼人？），依據判斷條件，可以將答案劃分為Yes or No，最後輸出獲勝一方。

通過樹形結構，根據條件判斷輸出相應的結局，這種簡單的算法，便是決策樹的原型。

決策樹——機器學習中的“倚天寶劍”

決策樹是機器學習中很經典的一種算法。它既是分類算法，也是迴歸算法，還可以用在隨機森林中。

關於隨機森林的知識點，可以回顧上期課程機器學習入門精講，這40個知識點不可錯過（一）

咱們學計算機的同學經常敲if 、else if、else其實就已經在用到決策樹的思想了。

決策樹是一種簡單常用的分類器，通過訓練好的決策樹可以實現對未知的數據進行高效分類。

從開頭狼人殺的例子中也可以看出，決策樹模型具有較好的可讀性和描述性，能夠幫助我們更高效率地去分析問題。

舉個例子，普通人去銀行貸款的時候，銀行會根據相應條件，來判斷貸款人是否具有還貸能力。

貸款用戶主要具備三個屬性：房產、婚姻、平均月收入。

擁有房產或結過婚或月收入大於4000的貸款用戶具備償還能力。

例如：用戶甲沒有房產，沒有結婚，月收入5K，通過上圖的判斷條件可以判斷出用戶甲具備償還貸款能力。

這整個判斷還貸能力的過程，就用到了決策樹的思想。

決策樹算法——基尼不純度、熵

基尼不純度，是指將來自集合中的某種結果隨機應用在集合中，某一數據項的預期誤差率，可以用來度量任何不均勻分佈。

下圖是組合1和組合2的基尼不純度：

從圖中我們可以看出，組合1的基尼不純度大於組合2。

打個比方，基尼不純度就像男生挑鑽石向女生求婚，所有的鑽石看著都很閃，但仔細比較價格卻差很多，因為每顆鑽石的的純度不一樣，純度越高，價格也就越貴。

由此可總結出這樣2種情況：

A、基尼不純度越小，純度越高，集合的有序程度越高，分類的效果越好

B、基尼不純度為 0 時，表示集合類別一致

熵度量的是事物的不確定性，越不確定的事物，它的熵就越大。

熵是信息論中的概念，用來表示集合的無序程度，熵越大表示集合越混亂，反之則表示集合越有序。

決策樹算法——信息增益

信息增益越大，說明整個集合從無序到有序的速度越快，本次拆分越有效，則越適合用來分類。

通俗來講，信息增益代表了在一個條件下，信息複雜度（不確定性）減少的程度。

我們以《非誠勿擾》為例，在男嘉賓出場之前，如果女嘉賓對男嘉賓一無所知，成為他女朋友的不確定性就比較高，如果知道其中的幾個特徵（如身高、性格等），不確定性就會減少很多。

由上面的例子可見，一個屬性的信息增益越大，表明這個屬性使得數據由不確定性變成確定性的能力越強。

決策樹算法的補充要點

關於剪枝

利用決策樹算法構建一個初始的樹之後，為了有效的分類，還要對其進行剪枝，剪枝是為了減少過擬合現象。

剪枝思路主要是兩種：

一種是預剪枝，即在生成決策樹的時候就決定是否剪枝。

另一個是後剪枝，即先生成決策樹，再通過交叉驗證來剪枝。

關於過擬合

為了得到一致假設而使假設變得過度複雜稱為過擬合。

比如，考試的時候，有的人採用題海戰術，把每個題目都背下來。

但是題目稍微變化一下，他就不會做了，因為他沒有總結出通用的規則。

過擬合的原因一般有兩種：

A.模型太過複雜而樣本量不足

B.訓練集和測試機特徵分佈不一致

好啦，今晚的機器學習中關於決策樹的部分就講到這裡了，大家可以好好消化下。點擊原文鏈接，進入微信頁面，在留言區寫下關於決策樹的一些問題和想法，抽10位幸運的童鞋送出「機器學習神秘大禮包」