欢迎关注”生信修炼手册”!
决策树属于监督学习算法的一种，根据原始输入数据中的特征，构建一个树状模型来进行分类。比如探究早晨是否出去打网球的例子，输入数据如下
一共有14个样本，其中9个早上都出去打球，5个早上没出去打球。在原始数据中，统计了每个早上的天气，湿度，是否有风这3个条件
利用上述数据，构建好的决策树模型如下
输入数据的每一个特征作为决策树中的一个节点，根据其取值的不同，划分不同的分支，根据各个特征的取值，按照这个树状结构就可以解释一个样本的分类情况。
对于决策树模型，其解释性非常强，可以看做是一连串的if-else条件，根据该条件就可以轻松的预测一个新的样本点。决策树的输入和输出都比较直观，核心就在于构建合适的分类树。
在构建决策树的过程中, 对于一个原始的特征，根据其取值分割成不同的分支，分割的过程其实是一个取子集的过程。以outlook为例，分割前是14个样本，9个play，5个no play; 根据3种取值分割后，sunny有2个play, 3个no play, overcast有4个play, rain有3个play, 2个no paly。
为了量化特征以及分割前后的变化，引入了以下概念
1. 熵
熵是从信息论中引入的概念，用来衡量一个事物的混乱状态，熵越大，越无序，具体的计算公式如下
p代表的是概率，上述示例数据为例共14个样本，其中9个play, 4个no play, 对应的熵如下
代码语言：javascript复制>>> -(np.log2(9/14) * (9/14) np.log2(5/14) * (5/14))
0.9402859586706309这种方式计算出来的熵称之为经验熵，直接用采样数据中的频数分布作为了总体的概率分布。
和条件概率这个概念类似，也要条件熵的概念，即再特征X下数据集的熵，公式如下
比如天气这个特征有3个取值，则在该特征下数据集的条件熵为
代码语言：javascript复制>>> - (5/14) * (np.log2(2/5) * (2/5) np.log2(3/5) * (3/5)) - (5/14) * (np.log2(3/5) * (3/5) np.log2(2/5) * (2/5))
0.6935361388961918在取值为overcast时，出现了no play为0的情况，无法计算log值，此时直接将其熵定义为0， 所以上述公式只考虑了取值为sunny和rain的情况。
2. 信息增益
在决策树中，我们根据特征的取值将原始的特征拆分成了不同的分支，信息增益用来衡量拆分前后复杂度的变化，具体的计算公式如下
用总体的经验熵减去某一特征的条件熵，以天气这个特征为例，计算过程如下
代码语言：javascript复制>>> -(np.log2(9/14) * (9/14) np.log2(5/14) * (5/14)) (5/14) * (np.log2(2/5) * (2/5) np.log2(3/5) * (3/5)) (5/14) * (np.log2(3/5) * (3/5) np.log2(2/5) * (2/5))
0.2467498197744391信息增益衡量的是用某个特征拆分前后的复杂度变化，理想的拆分情况是复杂度降低的越多，对应的信息增益值越大，所以对于输入的多个特征，一般选择信息增益大的特征进行拆分。
3. 信息增益率
也叫做信息增益比， 具体的计算公式如下
可以看到，相比信息增益，信息增益比用总体的经验熵进行了矫正，将数据转换到0到1的范围，从而可以直接在不同特征之间进行比较。
决策树的构建，是一个递归的过程，从根节点开始，不断选择信息增益大的特征作为节点，依次进行拆分，直到信息增益很小或者没有特征可以选择为止。基于熵模型的信息增益先后出现了两种算法。
首先是ID3算法，只针对离散型的特征，通过信息增益来选择特征；接下来是C4.5算法，对ID3进行了改进，选择了信息增益比来选择特征, 同时支持处理连续型的特征，对特征值排序之后，迭代选取阈值， 大于阈值为一类，小于阈值为另一类，从而将连续性的特征转换为离散型。
除了基于熵的信息增益，还有一种CART算法，该算法扩展了传统的决策树，既可以进行回归，也可以进行分类。在处理回归问题时，采用最小二乘法的思想，即均方误差最小来选取特征；在处理分类问题时，采用基尼指数来表征样本的混乱程度。基尼系数的计算公式如下
相比熵而言，基尼系数没有对数运算，计算更快捷。
上述3种算法的比较如下
对于决策树而言，常见的问题是过拟合。此时，就需要通过剪枝来优化决策树，所谓剪枝，就是去除决策树中的某些分支。根据生成决策树和剪枝的顺序，可以分为以下两种策略
1. 预剪枝，pre-pruning
2. 后剪枝，post-pruning
在监督学习中，数据集会分为训练集和测试集两部分，在预剪枝中，训练集用来决定划分所用的特征，测试集用来决定该特征是否可以用来划分数据；在后剪枝中，先基于训练集生成一颗决策树，然后用测试集的数据判断某个决策树中的节点是否需要去除。
在scikit-learn中，可以方便的构建决策树，用法如下
代码语言：javascript复制>>> from sklearn.datasets import load_iris
>>> from sklearn import tree
>>> X, y = load_iris(return_X_y=True)
>>> clf = tree.DecisionTreeClassifier()
>>> clf = clf.fit(X, y)
>>> import matplotlib.pyplot as plt
>>> plt.figure()
>>> tree.plot_tree(clf, filled=True)
>>> plt.show()输出结果如下
默认使用的就是CART算法，同时通过可视化决策树，可以让我们清晰的了解决策的过程。
·end·
—如果喜欢，快分享给你的朋友们吧—
原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！
本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。
