从零基础开始参加了几场数据挖掘方面的比赛，每次比赛都会学到不少东西，自从上次在 elo 的 kernel 中看见很多人都使用 LightGBM、XGBoost，那之后我也开始用起了这些，但是却从未花时间去了解过这是究竟是什么，其内部工作原理是怎么样的，正好这段时间在参加df平台的消费者人群画像—信用智能评分这一比赛，做起了调参，但因为对其内部并不是很收悉，便准备好好学习有关树模型方面的内容，并写下这系列的博客。这里将从最基础的决策树开始讲起。
概述
决策树（decision tree）是一类常见的机器学习方法。类似于流程图，一颗决策树包含一个根节点、若干个内部节点和叶子节点，每一个树节点表示对一个特征或属性的测试，每一个分支代表一个属性的输出，每一个叶子节点对应一种决策结果。从根节点到每个叶节点的路径对应了一个判定测试序列。其学习的基本流程遵循分治（divide-and-conquer）策略。
算法
输入：训练集\(D=\{(x_1,y_1),(x_2,y_2),... ,(x_n,y_n)\}\)
属性集\(A=\{a_1,a_2,...,a_n\}\\\)
过程：函数\(TreeGenerate(D,A)\)
\(1：生成节点 node;\)
\(2：if\) $ D $ $ 中样本全属于同一类别$ $ C$ $ then$
\(3：\quad将\) $ node$ \(标 记为\) $ C$ $ 类叶节点;$ $ return$
\(4：end\) $ if$
\(5：if\) $ A=\emptyset $ $ OR$ $ D$ $ 中样本在A上取值相同$ $ then $
\(6：\quad 将node标记为叶节点，其类别标记为D中样本数最多的类；then\)
\(7：end\) \(if\)
\(8:从A中选择最优划分属性\)
$9：for $ $ a_* $ \(的每一个值\) $ a_{*}^{v}$ $ do$
\(10:\quad 为node生成一个分支；令D_v表示D中在a_*上取值为a_{*}^{v} 的样本子集：\)
$11:\quad if $ \(D_v\) \(为空\) \(then\)
\(12：\quad\quad将分支节点标记为叶节点，其类别标记为D中样本最多的类；return\)
\(13：\quad else\)
\(14：\quad\quad以TreeGenerate(D_v,A\) \(\{a_*\})为分支节点\)
\(15：\quad end\) \(if\)
\(16：end\) \(for\)
输出：以\(node\)为节点的一颗决策树
划分选择
从上面的算法中可以看出，最重要的一步就是第8行选取最优划分，但我们该如何选取最优划分呢？这里就涉及到了信息增益的概念。在讲解信息增益前，先来了解了解信息熵和条件熵。
信息熵（information entropy）是度量样本集合纯度最常用的一种指标，它可以衡量一个随机变量出现的期望值。如果信息的不确定性越大，熵的值也就越大，出现的各种情况也就越多。
假设当前样本集合\(D\)中第\(k\)类样本所占比例为\(p_k(k=1,2,\cdots,|n|)\)，则\(D\)的信息熵为：
\[Ent(D）=-\sum_{k=1}^{|n|}p_k\log_2p_k \tag{1}\]
定义：\(0log0 = 0\)
条件熵（conditional entropy）表示在已知随机变量X的条件下随机变量Y的不确定性。定义随机变量X给定的条件下随机变量Y的概率分布的熵：
\[Ent(Y|X)=\sum_{k=1}^{n}p_kH(Y|X=x_k) \tag{2}\]
假定离散属性（特征）a有V个可能取值\(\{a^1,a^2,\cdots,a^V\}\)，若使用a来对样本集D进行划分，则会产生V个分支节点，其中第\(v\)个分支节点包含了\(D\)中所有在属性（特征）a上取值为\(a^v\)的样本，记作\(D^v\)。那么，特征\(a^v\)的条件概率分布为 \(\frac{|D^v|}{|D|}\)，我们可得信息增益（information gain）：
\[Gain(D,a)=Ent(D)-Ent(D|a) \tag{3} \\=Ent(D)-\sum_{v=1}^{V}\frac{|D^v|}{D}Ent(D^v)\]
由上式可知，信息增益是相对于特征而言的，定义为集合\(D\)的信息熵与特征\(a\)下\(D\)的条件熵之差。
这里回到一开始的问题，如何选择最优划分？方法是对训练数据集\(D\)，计算其每个特征的信息增益，并比较它们的大小，选择信息增益最大的特征。
然而，有时存在这么一个问题，以信息增益作为划分训练数据集的特征，存在偏向于选择取值较多的特征的问题。对这一问题的解决方法是使用信息增益比（information gain ratio）：
特征A对训练数据集D的信息增益比\(g_R(D,A)\)定义为其信息增益\(g(D,A)\)与训练数据集D关于A的值的熵\(H_A(D)\)之比，即
\[g_R(D,A)=\frac{g(D,A)}{H_A(D)} \tag{4}\]
其中，\(H_A(D)=-\sum_{i=1}^n\frac{|D_i|}{|D|}log_2\frac{|D_i|}{|D|}\)，n是特征A取值的个数。
结语
这篇文章中介绍了决策树的一些基本理论，对于决策树的优化以及ID3、C4.5、CART的代码实现将在后面的文章中给出。