StatQuest系列之Decision Trees

视频来自B站：StatQuest - Decision Trees

一、建立决策树

现在有一组数据，是病人的健康程度，即胸痛、血液循环、动脉阻塞，以及该病人是否有心脏病，现在我们要用这组数据建立一个决策树，来预测一个人是否有心脏疾病，数据如下：

决策树是由许多的yes/no节点组成的树状分类器，该例子中病人有三个健康因素，这三个因素可以都可以组成节点，每个节点的统计方式是，例如chest pain，判断病人是否有胸痛，其中有144个样本通过yes，即有胸痛统计到左叶子节点，有159个样本通过no，即无胸痛统计到右叶子节点，在144个有胸痛的样本中，有105个样本有心脏病，39个无心脏病，在159个无胸痛的样本中，有34个有心脏病，125个无心脏病，其他节点统计结果如下：

注意：chest pain 、good blood circulation、blocked arteries三个因素的总数不同，因为一些病人可能同时没有三种测量数据。

二、基尼系数

观察发现，三种节点，没有一个节点可以100%的用来判断是否有心脏疾病，这种节点是"impure"，为了判断哪种节点更好，我们需要来比较各个节点的“impurity”程度，当然有很多种方法来测量这种“impurity”程度，这里使用基尼系数（Gini）
下面我们来计算chest pain节点左叶的基尼系数：

采用同样的方式，计算chest pain节点右叶的基尼系数：
G i n i _ r i g h t _ l e a f = 1 − ( 34 34 + 125 ) − ( 125 34 + 125 ) = 0.336 \begin{aligned} Gini\_right\_leaf &= 1 - ( \frac{34}{34 + 125})- ( \frac{125}{34 + 125}) \\ &= 0.336 \end{aligned} Gini_right_leaf​=1−(34+12534​)−(34+125125​)=0.336​
那么chest pain节点的基尼系数怎么计算呢，整个节点的基尼系数是左右leaf的基尼系数的加权平均值，即

如果，我们来假设chest pain是个很"pure"的节点，即144个有胸痛的病人都有心脏病，159个无胸痛的病人都没有心脏病，那么这样"pure"的节点的基尼系数是：
G i n i _ l e f t _ l e a f = 1 − ( 144 144 + 0 ) − ( 0 144 + 0 ) = 0 \begin{aligned} Gini\_left\_leaf &= 1 - ( \frac{144}{144 + 0})- ( \frac{0}{144 + 0}) \\ &= 0 \end{aligned} Gini_left_leaf​=1−(144+0144​)−(144+00​)=0​
G i n i _ r i g h t _ l e a f = 1 − ( 0 0 + 159 ) − ( 159 0 + 159 ) = 0 \begin{aligned} Gini\_right\_leaf &= 1 - ( \frac{0}{0 + 159})- ( \frac{159}{0 + 159}) \\ &= 0 \end{aligned} Gini_right_leaf​=1−(0+1590​)−(0+159159​)=0​
G i n i = 0 Gini = 0 Gini=0
发现，基尼系数越小，节点纯度越大。

这样，我们可以得到三个节点的基尼系数：

三、决策树左分支

计算后发现，Good Blood Circulation的基尼系数最小，因此我们使用Good Blood Circulation作为决策树的根节点root

决策树有了根节点后，就可以开始第一个节点的比较，通过判断病人是否血液循环良好，我们发现，有164个循环好，其中127个没有心脏病，37个有心脏病，133个血液循环不好，其中100个有心脏病，33个没有心脏病，如下图：

接下来，就需要chest pain 和 blocked arteries 来进一步区分，对于节点Good Circ的左叶子节点，共164个样本，我们需要针对这164个样本，分布计算chest pain和blocked arteries的基尼系数，如下图

通过比较二者的基尼系数，发现blocked arteries的基尼系数最小，因此blocked arteries节点连接到根节点的左叶子节点上

现在左分支上就剩下chest pain了，因此将chest pain连接到Blocked的左叶子节点上，发现，chest pain 表现很好，

但是在Blocked的右叶子节点是，发现计算chest Pain的基尼系数时，发现为0.29，而计算13/102叶子节点的基尼系数是，为0.2，也就是在13/102叶子节点后面加入chest Pain节点，反而增加了节点的"impurity"的程度，因此该节点到这里结束，

我们完成了决策树左分支的建立，

四、决策树的建立

用同样的方法，将决策树的右节点建立起来

标签：144,pain,Decision,Trees,节点,chest,基尼系数,34,StatQuest
来源： https://blog.csdn.net/weixin_45209433/article/details/113861311