決策樹(shù)模型本質(zhì)是一顆由多個(gè)判斷節(jié)點(diǎn)組成的樹(shù)。在樹(shù)的每個(gè)節(jié)點(diǎn)做參數(shù)判斷，進(jìn)而在樹(shù)的最末枝(葉結(jié)點(diǎn))能夠?qū)λP(guān)心變量的取值作出最佳判斷。通常，一棵決策樹(shù)包含一個(gè)根結(jié)點(diǎn)，若干內(nèi)部節(jié)點(diǎn)和若干葉結(jié)點(diǎn)，葉結(jié)點(diǎn)對(duì)應(yīng)決策分類(lèi)結(jié)果。分支做判斷，葉子下結(jié)論。我們看一個(gè)簡(jiǎn)單的決策樹(shù)的模型，通過(guò)動(dòng)物的一些特點(diǎn)來(lái)判斷它是否是魚(yú)類(lèi)，在決策樹(shù)模型中，我們來(lái)看每一個(gè)節(jié)點(diǎn)是如何做判斷的。我們將所有要研究的動(dòng)物作為樹(shù)最上端的起點(diǎn)，對(duì)它進(jìn)行第一個(gè)判斷，是否能脫離水生存？如果判斷為是的話(huà)，它不是魚(yú)類(lèi)。如果為否的話(huà)，我們還要再進(jìn)行下一個(gè)判斷，是否有腳蹼？如果是的話(huà)，它就是非魚(yú)類(lèi)，如果否的話(huà)就是魚(yú)類(lèi)。我們僅僅是通過(guò)最多兩個(gè)層次的判斷，在樹(shù)最末端的葉子結(jié)點(diǎn)，可以對(duì)我們感興趣的問(wèn)題給出了一個(gè)相對(duì)而言的最佳決策。這個(gè)就是決策樹(shù)的邏輯，非常簡(jiǎn)單且和人腦理解事物的邏輯很類(lèi)似。決策樹(shù)是一種簡(jiǎn)單高效并且具有強(qiáng)解釋性的模型，廣泛應(yīng)用于數(shù)據(jù)分析領(lǐng)域。
- 簡(jiǎn)單：邏輯相對(duì)簡(jiǎn)單，整個(gè)算法沒(méi)有更復(fù)雜的邏輯，只是對(duì)節(jié)點(diǎn)進(jìn)行分叉；
- 強(qiáng)解釋性：模型的判斷邏輯可以用語(yǔ)言清晰的表達(dá)出來(lái)，比如上述決策樹(shù)案例中的判斷，就可以直接用語(yǔ)言表述成：脫離水不能生存的沒(méi)有腳蹼的動(dòng)物，我們判斷它是魚(yú)；
決策樹(shù)模型應(yīng)用于數(shù)據(jù)分析的場(chǎng)景主要有三種：
- 驅(qū)動(dòng)力分析：某個(gè)因變量指標(biāo)受多個(gè)因素所影響，分析不同因素對(duì)因變量驅(qū)動(dòng)力的強(qiáng)弱（驅(qū)動(dòng)力指相關(guān)性，不是因果性）；
- 預(yù)測(cè)：根據(jù)模型進(jìn)行分類(lèi)的預(yù)測(cè)；
熵是什么？
熵是描述判斷的不確定性，大多數(shù)決策樹(shù)的最終判斷，并不是100%準(zhǔn)確，決策樹(shù)只是基于不確定性，作出最優(yōu)的判斷。比如上述決策樹(shù)案例，我們判斷脫離水依然可以生存的是“非魚(yú)類(lèi)”。但是有一種特殊的魚(yú)叫做非洲肺魚(yú)，它脫離水后依然可以存活4年之久。雖然不是100%正確，我們?cè)谶@個(gè)葉結(jié)點(diǎn)做出非魚(yú)類(lèi)的判斷，是因?yàn)樗忻撾x水依然可以生存的動(dòng)物里，有非常大部分都不是魚(yú)。雖然這個(gè)判斷有很大可能性是正確的，但判斷依然存在著一些不確定性。那么不確定性指的是什么呢？如下圖，女生占比為50%，具有最大的不確定性；女生占比0%或者100%，則具備最小的不確定性。女生占比30%，具有中等不確定性；如果女性占比為70%的話(huà)，我們這個(gè)時(shí)候猜測(cè)是女性，出錯(cuò)可能性是1-70%，即30%，和剛剛的情況相同。也就是說(shuō)，10個(gè)人中女性占比為30%，或是70%，我們雖然給出的判斷不同，但是兩個(gè)判斷出錯(cuò)的可能性是一樣的，都是30%；圖：在10個(gè)人中，判斷隨機(jī)挑選出來(lái)一個(gè)人，性別是男還是女 如果嘗試使用一個(gè)統(tǒng)計(jì)量E來(lái)表示不確定性的話(huà)，并且規(guī)定E的取值在0和1之間。他和人群中女性的占比應(yīng)該滿(mǎn)足這樣一條曲線(xiàn)的關(guān)系，當(dāng)女性占比為0或者100%的時(shí)候，進(jìn)行判斷的不確定性最??；E取最小值0當(dāng)女性占比為50%的時(shí)候，判斷的不確定性最大，E取最大值1；當(dāng)女性占比取0到50%，或者50%到100%之間的值的時(shí)候，E的取值介于0到1之間。并且取值相對(duì)女性占比50%是對(duì)稱(chēng)的。熵即是用來(lái)描述以上這種不確定性，它的數(shù)學(xué)表達(dá)式為：Pi含義：對(duì)于事件，有c種可能的結(jié)果，每一種可能結(jié)果的概率為P1、P2…Pc；熵的取值在0-1之間；一個(gè)判斷的不確定性越大，熵越大；
信息增益
信息增益表示經(jīng)過(guò)一次決策判斷(分叉)后，人群熵值下降的大小，即母節(jié)點(diǎn)的熵與兩個(gè)子節(jié)點(diǎn)熵值和的差值。如上圖，信息增益(IG) = 0.5842 - ( 38% * 0.9507 + 62 * 0 )=0.22
決策樹(shù)算法實(shí)現(xiàn)步驟
我們繼續(xù)用上一篇文章《如何用線(xiàn)性回歸模型做數(shù)據(jù)分析》中的共享單車(chē)服務(wù)滿(mǎn)意分?jǐn)?shù)據(jù)集來(lái)做案例，分析哪一類(lèi)人群更加偏向于成為公司的推薦者，我們需要分析用戶(hù)特征，更好的區(qū)分出推薦者。
4.1測(cè)量節(jié)點(diǎn)對(duì)應(yīng)人群的熵決策樹(shù)模型的第一步，是測(cè)量每個(gè)節(jié)點(diǎn)對(duì)應(yīng)人群的熵值，最終我們得到可以判斷推薦者的決策樹(shù)。如下圖，每個(gè)節(jié)點(diǎn)中標(biāo)注兩個(gè)數(shù)字，上面是推薦者比例，下面是用戶(hù)群占比。初始節(jié)點(diǎn)的推薦者比例為0.14，再?zèng)]任何分叉前，人群占比100%。我們用熵來(lái)度量每個(gè)節(jié)點(diǎn)對(duì)應(yīng)人群的不確定性，推薦者比例趨近0%和100%的人群，熵的值也趨近于0，推薦者比例趨近50%的人群，熵的值則趨近于1。在這個(gè)案例中，我們想知道哪一類(lèi)人更加偏向成為公司的推薦者，也就是說(shuō)，我們希望通過(guò)決策樹(shù)，可以盡量地劃分出是或者不是推薦者這個(gè)事情最為確定的人群。如果這樣的人群在樹(shù)的最終結(jié)點(diǎn)、也就是葉子結(jié)點(diǎn)可以被很好地劃分出來(lái)的話(huà)，那么葉子結(jié)點(diǎn)所對(duì)應(yīng)的人群的特征，就是推薦者或者非推薦者的典型特征。反應(yīng)在人群的熵值計(jì)算，更大的確定性對(duì)應(yīng)于比較小的熵值。我們實(shí)際上是希望通過(guò)決策樹(shù)不斷地分叉，使得節(jié)點(diǎn)的熵值越來(lái)越低，用戶(hù)的label越來(lái)越純。我們使用信息增益(IG)來(lái)判斷決策樹(shù)的分叉方式。節(jié)點(diǎn)分叉規(guī)則：在每個(gè)節(jié)點(diǎn)嘗試按照不同特征變量的各種分組方式，選取信息增益最大（熵最?。┑姆绞?。 4.3在特定情況樹(shù)節(jié)點(diǎn)停止分叉決策樹(shù)不會(huì)一直不停分叉，決策樹(shù)停止分叉的條件通常有：
樹(shù)的深度 — 如規(guī)定樹(shù)的深度不能超過(guò)3
葉子結(jié)點(diǎn)樣本數(shù) — 如葉子結(jié)點(diǎn)樣本數(shù)不能小于10
信息增益 — 如每一個(gè)分叉的信息增益不能小于0.2（R中的默認(rèn)值）
停止分叉：再分叉會(huì)增加復(fù)雜度但是效果沒(méi)有提高，葉子越多越復(fù)雜，會(huì)加重解釋復(fù)雜性。
決策樹(shù)在數(shù)據(jù)分析中的實(shí)戰(zhàn)流程
我們了解了決策樹(shù)模型的算法原理，那么它如何應(yīng)用在日常的數(shù)據(jù)分析工作中呢？繼續(xù)我們剛才的案例，我們想探究分析用戶(hù)推薦程度的主要影響因素是什么？可以用決策樹(shù)模型將用戶(hù)按照推薦者比例高低進(jìn)行分層。一百條數(shù)據(jù)，由公司員工隨機(jī)采訪(fǎng)100名用戶(hù)產(chǎn)生，采訪(fǎng)對(duì)象是北京市四個(gè)城區(qū)（西城區(qū)、東城區(qū)、海淀區(qū)、朝陽(yáng)區(qū)）的居民，組別分為實(shí)驗(yàn)組和對(duì)照組。5.3將分類(lèi)變量轉(zhuǎn)換為啞變量
Python大多數(shù)算法模型無(wú)法直接輸入分類(lèi)變量
通過(guò)人群特征取值的判斷，1、我們劃分出了推薦者比例有顯著區(qū)別的人群2、找出了區(qū)分推薦者人群的關(guān)鍵特征，例如：海淀區(qū)用戶(hù)、29歲及以上等
- 模型建立后，可以將模型用作分類(lèi)預(yù)測(cè)；
- 決策樹(shù)不只可應(yīng)用于預(yù)測(cè)量為分類(lèi)變量，還可應(yīng)用于數(shù)值型因變量，只需將熵改為連續(xù)變量的方差；
- 特征劃分的方法除了信息增益方法外，還可以用增益率(**.5決策樹(shù))、基尼指數(shù)(CART決策樹(shù))；
- 剪枝是決策樹(shù)算法中防止過(guò)擬合的主要手段，分為預(yù)剪枝與后剪枝。預(yù)剪枝指在決策樹(shù)生成過(guò)程中，對(duì)每個(gè)結(jié)點(diǎn)在劃分前進(jìn)行估計(jì)，若當(dāng)前結(jié)點(diǎn)劃分不能使決策樹(shù)泛化能力提升則停止劃分。后剪枝指先從訓(xùn)練集生成一顆決策樹(shù)，自底向上對(duì)非葉結(jié)點(diǎn)進(jìn)行考察，若該結(jié)點(diǎn)對(duì)應(yīng)的子樹(shù)替換為葉結(jié)點(diǎn)能使決策樹(shù)泛化能力提升，則該子樹(shù)替換為葉結(jié)點(diǎn)；
本文系作者：
大洛同學(xué)
授權(quán)發(fā)表，鳥(niǎo)哥筆記平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。
本文為作者獨(dú)立觀(guān)點(diǎn)，不代表鳥(niǎo)哥筆記立場(chǎng)，未經(jīng)允許不得轉(zhuǎn)載。
《鳥(niǎo)哥筆記版權(quán)及免責(zé)申明》
如對(duì)文章、圖片、字體等版權(quán)有疑問(wèn)，請(qǐng)點(diǎn)擊
反饋舉報(bào)
我們致力于提供一個(gè)高質(zhì)量?jī)?nèi)容的交流平臺(tái)。為落實(shí)國(guó)家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評(píng)論自律管理，為了保護(hù)用戶(hù)創(chuàng)造的內(nèi)容、維護(hù)開(kāi)放、真實(shí)、專(zhuān)業(yè)的平臺(tái)氛圍，我們團(tuán)隊(duì)將依據(jù)本公約中的條款對(duì)注冊(cè)用戶(hù)和發(fā)布在本平臺(tái)的內(nèi)容進(jìn)行管理。平臺(tái)鼓勵(lì)用戶(hù)創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時(shí)也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國(guó)未成年人保護(hù)法》等法律法規(guī)，對(duì)以下違法、不良信息或存在危害的行為進(jìn)行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對(duì)憲法所確定的基本原則；
2)危害國(guó)家安全，泄露國(guó)家秘密，顛覆國(guó)家政權(quán)，破壞國(guó)家統(tǒng)一，損害國(guó)家榮譽(yù)和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽(yù)、榮譽(yù)；
4)宣揚(yáng)恐怖主義、極端主義或者煽動(dòng)實(shí)施恐怖活動(dòng)、極端主義活動(dòng)；
5)煽動(dòng)民族仇恨、民族歧視，破壞民族團(tuán)結(jié)；
6)破壞國(guó)家宗教政策，宣揚(yáng)邪教和封建迷信；
7)散布謠言，擾亂社會(huì)秩序，破壞社會(huì)穩(wěn)定；
8)宣揚(yáng)淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動(dòng)非法集會(huì)、結(jié)社、游行、示威、聚眾擾亂社會(huì)秩序；
10)侮辱或者誹謗他人，侵害他人名譽(yù)、隱私和其他合法權(quán)益；
11)通過(guò)網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對(duì)未成年人實(shí)施侮辱、誹謗、威脅或者惡意損害未成年人形象進(jìn)行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶(hù)及其所貢獻(xiàn)內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動(dòng)成果；
2)誹謗：捏造、散布虛假事實(shí)，損害他人名譽(yù)；
3)嘲諷：以比喻、夸張、侮辱性的手法對(duì)他人或其行為進(jìn)行揭露或描述，以此來(lái)激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對(duì)方對(duì)自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對(duì)方難堪；
6)謾罵：以不文明的語(yǔ)言對(duì)他人進(jìn)行負(fù)面評(píng)價(jià)；
7)歧視：煽動(dòng)人群歧視、地域歧視等，針對(duì)他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類(lèi)的攻擊；
8)威脅：許諾以不良的后果來(lái)迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶(hù)體驗(yàn)、擾亂本網(wǎng)站秩序的內(nèi)容，或進(jìn)行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣(mài)產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個(gè)帳號(hào)多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個(gè)廣告帳號(hào)互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶(hù)點(diǎn)擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購(gòu)買(mǎi)或出售帳號(hào)之間虛假地互動(dòng)，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營(yíng)銷(xiāo)內(nèi)容，如通過(guò)偽造經(jīng)歷、冒充他人等方式進(jìn)行惡意營(yíng)銷(xiāo)；
8)使用特殊符號(hào)、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗(yàn)的細(xì)節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話(huà)的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚(yáng)低俗、庸俗、媚俗內(nèi)容。
5. 不實(shí)信息，主要表現(xiàn)為：
1)可能存在事實(shí)性錯(cuò)誤或者造謠等內(nèi)容；
2)存在事實(shí)夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過(guò)頭像、用戶(hù)名等個(gè)人信息暗示自己具有特定身份，或與特定機(jī)構(gòu)或個(gè)人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測(cè)字、占卜、解夢(mèng)、化解厄運(yùn)、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對(duì)具體風(fēng)水等問(wèn)題進(jìn)行求助或咨詢(xún)；
4)問(wèn)自己或他人的八字、六爻、星盤(pán)、手相、面相、五行缺失，包括通過(guò)占卜方法問(wèn)婚姻、前程、運(yùn)勢(shì)，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來(lái)誘導(dǎo)用戶(hù)；
2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實(shí)或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴(yán)重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費(fèi)、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動(dòng)「飯圈」粉絲攀比炫富、奢靡享樂(lè)等行為
4)以號(hào)召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號(hào)」形式刷量控評(píng)等行為
5)通過(guò)「蹭熱點(diǎn)」、制造話(huà)題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會(huì)公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評(píng)述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭(zhēng)行為的；
4)法律、行政法規(guī)禁止，或可能對(duì)網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過(guò)主動(dòng)發(fā)現(xiàn)和接受用戶(hù)舉報(bào)兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺(tái)氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個(gè)用戶(hù)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將依據(jù)相關(guān)用戶(hù)違規(guī)情節(jié)嚴(yán)重程度，對(duì)帳號(hào)進(jìn)行禁言 1 天、7 天、15 天直至永久禁言或封停賬號(hào)的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過(guò)作弊手段注冊(cè)、使用帳號(hào)，或者濫用多個(gè)帳號(hào)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺(tái)管理經(jīng)驗(yàn)的不斷豐富，本網(wǎng)站出于維護(hù)本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶(hù)對(duì)本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過(guò)「建議反饋」功能向本網(wǎng)站進(jìn)行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)