大数据分析 – 决策树

决策树是一种用于监督学习问题（例如分类或回归）的算法。决策树或分类树是其中每个内部（非叶）节点都标有输入特征的树。来自标记有特征的节点的弧被标记为特征的每个可能值。树的每个叶子都标有一个类或这些类的概率分布。

可以通过基于属性值测试将源集拆分为子集来“学习”树。以递归方式在每个派生子集上重复此过程，称为递归分区。当节点上的子集具有与目标变量完全相同的值，或者当分裂不再为预测增加值时，递归完成。这种自上而下归纳决策树的过程是贪心算法的一个例子，也是学习决策树最常见的策略。

数据挖掘中使用的决策树有两种主要类型 –

• 分类树– 当响应是一个名义变量时，例如电子邮件是否为垃圾邮件。

• 回归树– 当预测结果可以被认为是一个实数（例如工人的工资）。

决策树是一种简单的方法，因此存在一些问题。这个问题之一是决策树产生的结果模型的高方差。为了缓解这个问题，开发了决策树的集成方法。目前广泛使用的有两组集成方法 –

• 装袋决策树– 这些树用于通过重复对训练数据进行重采样和替换来构建多个决策树，并对树进行投票以进行共识预测。这种算法被称为随机森林。

• 提升决策树– 梯度提升结合了弱学习器；在这种情况下，决策树以迭代方式转化为单个强学习器。它为数据拟合一个弱树，并迭代地不断拟合弱学习器，以纠正先前模型的错误。

# Install the party package
# install.packages('party') 
library(party) 
library(ggplot2)  

head(diamonds) 
# We will predict the cut of diamonds using the features available in the 
diamonds dataset. 
ct = ctree(cut ~ ., data = diamonds) 

# plot(ct, main="Conditional Inference Tree") 
# Example output 
# Response:  cut  
# Inputs:  carat, color, clarity, depth, table, price, x, y, z  

# Number of observations:  53940  
#  
# 1) table <= 57; criterion = 1, statistic = 10131.878 
#   2) depth <= 63; criterion = 1, statistic = 8377.279 
#     3) table <= 56.4; criterion = 1, statistic = 226.423 
#       4) z <= 2.64; criterion = 1, statistic = 70.393 
#         5) clarity <= VS1; criterion = 0.989, statistic = 10.48 
#           6) color <= E; criterion = 0.997, statistic = 12.829 
#             7)*  weights = 82  
#           6) color > E  

#Table of prediction errors 
table(predict(ct), diamonds$cut) 
#            Fair  Good Very Good Premium Ideal 
# Fair       1388   171        17       0    14 
# Good        102  2912       499      26    27 
# Very Good    54   998      3334     249   355 
# Premium      44   711      5054   11915  1167 
# Ideal        22   114      3178    1601 19988 
# Estimated class probabilities 
probs = predict(ct, newdata = diamonds, type = "prob") 
probs = do.call(rbind, probs) 
head(probs)