机器学习笔记 04：树模型

树模型的核心思想很直观：不断用特征把数据切开，让每个子节点里的样本越来越“纯”。

决策树（decision tree）的基本想法

Decision Tree 每一步都在问一个问题：

这个 feature 按某个 threshold 切开后，数据会不会更容易预测？

比如判断一个用户是否会购买会员，可以有这样的分裂：

1
2
3
访问次数 > 10 ?
    yes -> 停留时间 > 5 分钟 ?
    no  -> 预测不购买

每个内部节点是一个 split rule，每个叶子节点给出最终预测。

分类树希望叶子节点里的类别尽量单一；回归树希望叶子节点里的目标值尽量接近。

如何切分数据信息，什么叫节点更“纯”

假设一个节点里有 10 个样本：

类别 数量
正类 5
负类 5

这个节点很不纯，因为正负各一半。

如果一次 split 后变成：

子节点 正类 负类
left 5 1
right 0 4

那这个 split 就不错，因为两个子节点都更容易判断。

Decision Tree 的 splitting metric，本质上就是量化“split 前后到底变纯了多少”。

在这里使用熵（entropy） 衡量不确定性： 熵越低，节点越“纯”

\[ H(S)=-\sum_{c}p_c\log_2(p_c) \]

其中，\(p_c\) 是类别 \(c\) 在节点中的比例。

二分类时，如果正负样本各一半，entropy 最大；如果节点里全是同一类，entropy 为 0。

例：

节点情况 Entropy
5 正 / 5 负 1.0
9 正 / 1 负 约0.47
10 正 / 0 负 0

Entropy 越低，节点越纯。

Splitting metrics

信息增益（information gain）

Information Gain 衡量 split 后 entropy 降低了多少：

\[ IG(S,A)=H(S)-\sum_{v \in Values(A)}\frac{|S_v|}{|S|}H(S_v) \]

前半部分是 split 前的不确定性，后半部分是 split 后各子节点不确定性的加权平均。

如果 split 后子节点变得很纯，后半部分就小，information gain 就大。

ID3 使用 information gain 来作为split指标。

增益率（gain ratio）

Information Gain 有一个问题：它偏好取值很多的特征。

比如用户 ID 这种特征，每个用户几乎都是唯一值。按用户 ID 切，训练集上可以变得很纯，但完全没有泛化意义。

Gain Ratio 会对这种情况做惩罚：

\[ GainRatio(S,A)=\frac{InformationGain(S,A)}{SplitInfo(S,A)} \]

C4.5 使用 gain ratio。直觉上，它不只看 split 后纯不纯，也看这个 split 是不是把数据切得过于碎。

基尼指数（Gini index）

CART 分类树常用 Gini Index：

\[ Gini(S)=1-\sum_c p_c^2 \]

Gini 也衡量节点不纯度。节点越纯，Gini 越小。

二分类时：

正类比例 Gini
0.5 0.5
0.9 0.18
1.0 0

Gini 和 entropy 的目标很接近：都希望 split 后子节点更纯。实际使用中，Gini 计算更简单一些。

ID3、C4.5、CART

三类树的区别：

算法 Split metric 任务
ID3 Information Gain Classification
C4.5 Gain Ratio Classification
CART Gini / Squared Error Classification / Regression

CART 是二叉树，每次 split 生成两个子节点。分类时常用 Gini，回归时常用 squared error 或 variance reduction。

回归树的直觉也很简单：如果一次 split 能让两个子节点内部的目标值更接近，这个 split 就有价值。

比如预测房价时，按“是否靠近地铁”切分后，如果靠近地铁的一组房价普遍更高，不靠近的一组更低，那么这个 split 就能降低每个子节点内部的误差。

剪枝（pruning）：

单棵树很容易 overfit。如果不限制深度，它可以不断 split，直到叶子节点里只剩很少样本，甚至每个叶子只对应一个训练样本。

这在训练集上很好，但对新数据很差。

常见限制方式：

  • max_depth：限制树深度
  • min_samples_split：节点样本太少就不再切
  • min_samples_leaf：叶子节点至少保留一定样本
  • max_leaf_nodes：限制叶子节点数

Pruning 分两类：

Pre-pruning：树还没长完就提前停止，比如限制最大深度。

Post-pruning：先长出一棵比较完整的树，再从底部往上剪掉泛化收益不大的分支。

简单说，剪枝就是不让树把训练集记得太细。

多棵树的组合

Bagging：随机森林（random forest）

Random Forest 属于 Bagging 方法。它训练很多棵 decision tree，然后让它们投票或取平均。

Random Forest 的随机性主要来自两点：

  1. 每棵树使用 bootstrap sample，也就是有放回地抽训练样本。
  2. 每次 split 时，只从部分特征中选择最佳 split。

这样每棵树都不太一样，错误也不会完全一致。

单棵树 variance 很高，Random Forest 通过多棵树平均来降低 variance。

一个直觉例子：一个人判断可能很偏，但如果很多个相对独立的人投票，最终结果通常更稳定。Random Forest 也是类似的思路。

Boosting：GBDT，XGBoost，lightGBM

Boosting 和 Random Forest 不一样。Random Forest 里多棵树大致是并行、独立训练的；Boosting 是一棵接一棵训练，后面的树重点修正前面模型的错误。

GBDT 的思路是：

1
2
3
4
5
initial prediction
-> compute residual / negative gradient
-> train a new tree to fit the residual
-> add this tree to the ensemble
-> repeat

如果第一棵树预测房价总是偏低，下一棵树就会学习这个偏差，把预测往正确方向拉。

XGBoost可以看作更工程化、更正则化、更高效的 gradient boosting tree 实现。它的特点包括：

  • 二阶泰勒展开：使用一阶和二阶梯度（GBDT只用一阶），使损失函数逼近更精准。
  • 正则化：目标函数加入L1/L2正则项（控制叶子节点权重和数量），防止过拟合。
  • 并行化：特征预排序（Block结构）支持多线程查找最佳分裂点，但树仍是串行生成的。
  • 缺失值处理：自动学习缺失值的默认分裂方向。

这也是为什么 XGBoost 在传统 tabular data 上经常很强。

LightGBM

特性 XGBoost LightGBM
生长策略 Level-wise（按层分裂） Leaf-wise（按叶子分裂）
速度 较慢（预排序特征） 更快（直方图算法）
内存占用 较高（存储预排序数据） 较低（直方图压缩）
正则化 支持L1/L2 支持L1/L2
类别特征处理 需独热编码 直接支持（无需编码）
并行优化 特征并行 特征并行+数据并行

LightGBM：大数据场景的默认选择，速度快、内存友好。

XGBoost：小数据或高精度需求时更优，调参空间大。

备注

树模型不需要像 KNN 那样强依赖 feature scaling。因为树只关心某个特征是否大于 threshold，不关心距离。

树模型擅长处理非线性关系和特征交互。比如“访问次数高并且最近 7 天活跃”这种规则，树可以比较自然地表达，而且树模型很适合可视化的。

单棵树容易 overfit。实际里更常用 Random Forest、GBDT、XGBoost 这类 ensemble。

一般来说，Random Forest 更偏降低 variance，Boosting 更偏逐步降低 bias，

参考资料