【AI深究】决策树（Decision Tree）全网最详细全流程详解与案例（附Python代码演示）|数学原理、案例流程、代码演示及结果解读|ID3、C4.5、CART算法|工程启示、分类、回归决策树

优质文章学习记录

— 12 min read
【AI深究】决策树（Decision Tree）全网最详细全流程详解与案例（附Python代码演示）|数学原理、案例流程、代码演示及结果解读|ID3、C4.5、CART算法|工程启示、分类、回归决策树

大家好，我是爱酱。本篇将会系统讲解决策树（Decision Tree）的定义、原理、数学推导、常见算法、代码实现与工程应用。内容适合初学者和进阶读者，配合公式和可视化示例。这期的文章会较简单，如果大家有兴趣可以到爱酱主页搜寻更多分类、回归等的算法！

注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！

一、决策树是什么？

决策树是一种监督学习算法，既可用于分类（Classification）也可用于回归（Regression）。它通过一系列的“条件判断”将数据集划分成不同的子集，最终在树的叶节点给出类别或数值预测。

  • 结构直观：类似流程图或“二十问”游戏，每个节点是一次特征判断，每个分支是判断结果，叶节点给出最终决策。
  • 可解释性强：每一步决策都可追溯，便于业务理解和模型解释。

二、决策树的基本结构

  • 根节点（Root Node）：包含全部数据，进行第一次特征划分。
  • 分支（Branch/Edge）：根据判断结果分流数据。
  • 叶节点（Leaf Node）：终点，给出类别或数值预测。

内部节点（Internal Node）：对某个特征做条件判断（如

$X_1 < 5$

）。

例如：

  • 判断“天气”是否晴朗，若是则继续判断“温度”，否则直接输出“不要出门”。

三、决策树的核心思想：分裂与纯度

1. 递归划分

  • 从根节点出发，递归地选择“最佳特征”进行分裂，使得每次分裂后子集的“纯度”最大化。
  • 纯度高意味着子集中的样本大多属于同一类别。

2. 纯度度量

常用的纯度指标有：

方差（Variance）（回归树）：

Var(S) = \frac{1}{n} \sum_{i=1}^n (y_i - \overline{y})^2

基尼指数（Gini Index）：

Gini(S) = 1 - \sum_{i=1}^C p_i^2

信息熵（Entropy）：

H(S) = -\sum_{i=1}^C p_i \log_2 p_i
$p_i$

为第

$i$

类样本在

$S$

中的比例。

3. 信息增益（Information Gain）

衡量分裂前后纯度提升的程度，信息增益越大，分裂越有效。

IG(S, A) = H(S) - \sum_{v \in \text{values}(A)} \frac{|S_v|}{|S|} H(S_v)
$A$

为特征，

$S_v$

为按

$A$

取值

$v$

划分的子集。

四、决策树的常见算法详解

决策树算法多种多样，常见的有ID3、C4.5和CART三种，它们各有特点和适用场景。下面详细介绍这三种算法。

1. ID3算法

ID3（Iterative Dichotomiser 3）是最早的决策树分类算法之一，核心思想是用信息增益（Information Gain）选择分裂特征。

  • 特点
    • 偏向取值多的特征（可能导致过拟合）。
    • 只支持离散特征，不支持连续特征和缺失值。

信息增益（Information Gain）
衡量用特征

$A$

分裂后熵的减少量：

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

其中，

$S_v$

为

$A$

取值为

$v$

时的数据子集。

信息熵（Entropy）
衡量样本集合

$S$

的纯度：

H(S) = -\sum_{i=1}^C p_i \log_2 p_i

其中，

$p_i$

为第

$i$

类样本在

$S$

中的比例，

$C$

为类别数。

2. C4.5算法

C4.5是ID3的改进版，支持连续特征和缺失值，采用信息增益率（Gain Ratio）作为分裂标准。

  • 特点
    • 支持连续特征（通过寻找最佳切分点）。
    • 能处理缺失值。
    • 采用剪枝防止过拟合。
    • 生成多叉树。

信息增益率（Gain Ratio）
先计算信息增益，然后除以特征的固有值（Intrinsic Value）：

GainRatio(A) = \frac{IG(S, A)}{IV(A)}

其中，

$IV(A)$

定义为：

IV(A) = -\sum_{v \in \text{Values}(A)} \frac{|S_v|}{|S|} \log_2 \frac{|S_v|}{|S|}

3. CART算法（Classification and Regression Trees）

CART是目前应用最广的决策树算法，既可做分类，也可做回归，生成二叉树结构。

  • 特点
    • 只生成二叉树（每次分裂为两个分支）。
    • 分类任务用基尼指数，回归任务用方差。
    • 支持连续和离散特征。
    • 可剪枝，泛化能力强。

方差（Variance，回归树）
衡量集合

$S$

的方差：

Var(S) = \frac{1}{n} \sum_{i=1}^n (y_i - \overline{y})^2

其中，

$\overline{y}$

为

$S$

中所有

$y_i$

的均值。

基尼指数（Gini Index，分类树）
衡量集合

$S$

的不纯度：

Gini(S) = 1 - \sum_{i=1}^C p_i^2

其中，

$p_i$

为第

$i$

类样本的比例。

小结对比表

算法分裂标准支持特征类型树结构主要应用优缺点
ID3信息增益离散特征多叉树分类简单易懂，偏向多值特征，不支持连续特征
C4.5信息增益率离散+连续特征多叉树分类支持连续特征和缺失值，泛化能力强
CART基尼指数（分类）/方差（回归）离散+连续特征二叉树分类+回归通用性强，支持回归，结构简单

五、决策树的优缺点与工程角色

优点

  • 直观、可解释、无需特征缩放。
  • 可处理数值型和分类型特征。
  • 支持特征选择和缺失值处理。

缺点

  • 易过拟合，需剪枝或集成方法（如随机森林）。
  • 对样本微小扰动敏感，稳定性较差。
  • 单棵树泛化能力有限。

工程角色

  • 常用于业务规则建模、特征选择、基线模型。
  • 是集成算法（随机森林、梯度提升树等）的基础单元。

六、决策树的构建流程与数学推导

1. 树的递归生长流程

  1. 选择最佳分裂特征
    • 对当前节点的所有特征，计算每个特征的分裂指标（如信息增益、基尼指数减少等）。
    • 选择分裂效果最好的特征和分裂点。
  2. 节点分裂
    • 按最佳特征将数据划分为若干子集（CART为二叉分裂，ID3/C4.5可多叉分裂）。
    • 为每个子集递归重复上述过程。
  3. 终止条件
    • 当前节点样本全属于同一类别。
    • 没有可用特征可分裂。
    • 达到最大树深、最小样本数等预设参数。
  4. 剪枝（Pruning）
    • 为防止过拟合，可采用预剪枝（提前终止生长）或后剪枝（先生成完全树再回退）策略。

2. 数学推导示例：信息增益

以ID3为例，假设当前数据集

$S$

，对特征

$A$

的分裂信息增益为：

IG(S, A) = H(S) - \sum_{v \in \text{values}(A)} \frac{|S_v|}{|S|} H(S_v)
  • 选择信息增益最大的特征进行分裂。
$H(S)$

为整体熵，

$S_v$

为按

$A$

取值

$v$

划分的子集，

$|S_v|/|S|$

为权重。

七、决策树的代码实现与可视化

1. 分类决策树代码示例

import numpy as np import matplotlib.pyplot as plt from sklearn.tree import DecisionTreeClassifier, plot_tree from sklearn.datasets import load_iris # 加载Iris数据集 iris = load_iris() X, y = iris.data, iris.target # 训练决策树 clf = DecisionTreeClassifier(max_depth=3, random_state=0) clf.fit(X, y) # 可视化决策树结构 plt.figure(figsize=(12, 6)) plot_tree(clf, feature_names=iris.feature_names, class_names=iris.target_names, filled=True) plt.title('Decision Tree Visualization (Iris Dataset)') plt.show()

代码说明：

  • 用Iris数据集训练最大深度为3的决策树分类器。
  • 使用plot_tree可视化树结构，每个节点显示分裂条件、样本分布和类别预测。
  • 直观展示决策树的逐层分裂与决策路径。

2. 回归决策树代码示例

import numpy as np import matplotlib.pyplot as plt from sklearn.tree import DecisionTreeRegressor # 生成一维回归数据 rng = np.random.RandomState(1) X = np.sort(5 * rng.rand(80, 1), axis=0) y = np.sin(X).ravel() + 0.2 * rng.randn(80) # 训练回归树 reg = DecisionTreeRegressor(max_depth=3) reg.fit(X, y) # 预测与可视化 X_test = np.linspace(0, 5, 200)[:, np.newaxis] y_pred = reg.predict(X_test) plt.figure(figsize=(8, 5)) plt.scatter(X, y, color='darkorange', label='Training data') plt.plot(X_test, y_pred, color='navy', label='Decision Tree Regression') plt.xlabel('X') plt.ylabel('y') plt.title('Decision Tree Regression Example') plt.legend() plt.show()

代码说明：

  • 生成带噪声的正弦数据，训练深度为3的回归树。
  • 可视化回归树的分段预测效果，体现其“分段常数”特性。

八、工程与教学启示

  • 工程实践：决策树以其直观、可解释、无需特征缩放的优点，广泛应用于业务规则建模、特征选择和基线模型搭建。实际项目中，决策树常作为数据探索和可解释性分析的重要工具，也常作为集成方法（如随机森林、梯度提升树）的基础单元。工程实现时建议合理设置树的最大深度、最小样本数等参数，并结合剪枝防止过拟合。
  • 教学应用：决策树是机器学习入门的经典算法，非常适合初学者理解模型的“决策过程”。通过可视化树结构和逐步分裂的流程，学生可以直观地看到模型如何一步步做出判断。教学中建议结合具体案例（如Iris数据集）、代码演示和树结构可视化，帮助学生建立对算法原理和应用场景的全面理解。
  • 模型解释性：决策树的每一步判断都可追溯，便于解释模型为何做出某个预测，适合对结果可解释性要求高的场景（如金融风控、医疗诊断等）。

九、结论

决策树作为机器学习中最基础、最直观的算法之一，凭借其强大的可解释性、灵活性和对数据类型的兼容性，在分类、回归、特征选择和集成学习等领域都有广泛应用。ID3、C4.5和CART等不同算法各有优势，适用于不同的数据类型和业务需求。理解决策树的原理、优缺点和实际应用场景，不仅有助于掌握机器学习的基础知识，也为后续学习集成方法和更复杂模型打下坚实基础。

谢谢你看到这里，你们的每个赞、收藏跟转发都是我继续分享的动力。

如需进一步案例、代码实现或与其他聚类算法对比，欢迎留言交流！我是爱酱，我们下次再见，谢谢收看！

Read more

Python 从入门到实战（十二）：Flask Web 开发（把学生成绩系统变成在线应用）

Python 从入门到实战（十二）：Flask Web 开发（把学生成绩系统变成在线应用）

文章目录 * 一、为什么选择 Flask？Web 开发的 “入门钥匙” * 二、Flask 基础：从 “Hello World” 到 Web 服务 * 1. 安装 Flask 与依赖 * 2. 核心概念：Flask 的 “三大件” * 3. 实战 1：跑通第一个 Flask 应用（Hello World） * 运行步骤： * 关键说明： * 三、Flask 进阶：整合学生数据与 Web 页面 * 1. 项目结构：规范文件组织 * 2. 模板继承：减少重复 HTML 代码 * 步骤
前端流式处理实现：从原理到代码的完整解析

前端流式处理实现：从原理到代码的完整解析

引言 在现代Web应用中，流式处理已经成为提升用户体验的重要技术之一。特别是在AI对话、长文本生成等场景中，流式处理能够让用户看到内容的实时生成过程，而不是等待整个内容生成完成后一次性显示。本文将详细介绍如何实现前端流式处理，以及如何通过流式处理实现界面的逐个文字显示效果。 什么是流式处理？ 流式处理（Streaming）是一种数据处理方式，它允许数据在生成的同时被处理和显示，而不需要等待所有数据都生成完成。在Web开发中，流式处理通常通过以下技术实现： 1. Server-Sent Events (SSE)：一种服务器向客户端推送数据的技术 2. WebSocket：全双工通信协议 3. Fetch API + ReadableStream：现代浏览器提供的流式处理能力 本文将重点介绍基于Fetch API和ReadableStream的流式处理实现。 实现原理 前端流式处理的核心原理是： 1. 客户端发送请求时，设置stream: true参数 2. 服务器收到请求后，以流式方式返回数据 3. 客户端通过ReadableStream接口逐块接收数据

前端国际化实现方案：让你的应用走向全球

前端国际化实现方案：让你的应用走向全球 毒舌时刻 国际化？听起来就像是前端工程师为了显得自己很专业而特意搞的一套复杂流程。你以为随便加个i18n库就能实现国际化？别做梦了！到时候你会发现，翻译文件比代码还多，维护起来比代码还麻烦。 你以为翻译就是简单的文本替换？别天真了！不同语言的语法结构不同，直接替换会导致语法错误。还有那些所谓的国际化库，看起来高大上，用起来却各种问题。 为什么你需要这个 1. 全球用户：国际化可以让你的应用支持全球用户，扩大用户群体。 2. 用户体验：使用用户的母语可以提高用户体验，增加用户粘性。 3. 市场竞争力：支持多语言的应用在国际市场上更具竞争力。 4. 合规要求：某些国家和地区要求应用提供当地语言支持。 5. 品牌形象：支持多语言可以提升品牌的国际化形象。 反面教材 // 1. 硬编码文本 function Welcome() { return <h1>Welcome to our app!</h1&

【前端实战】如何让用户回到上次阅读的位置？

在阅读类、资讯类、博客、文档、论坛、长文章详情页等场景中，让用户下次打开（或返回）时自动滚回到上次阅读位置，是提升用户体验的经典需求。 2025–2026 年主流实现方案已经非常成熟，以下按实用性 + 稳定性 + 性能从高到低排序，附带代码示例和优缺点对比。 方案对比表（2026 年推荐优先级） 优先级方案适用场景优点缺点 / 注意事项推荐指数★★★★★URL Hash + 章节/段落锚点 + localStorage长文章、文档、章节化内容分享友好、SEO 友好、内容变动不漂移需要提前给关键节点加 id最高★★★★☆IntersectionObserver + 探针元素无限滚动 / 懒加载长列表精准记录“已读到哪个区块”、内容动态变化鲁棒代码稍复杂、需插入探针元素非常推荐★★★★scrollY + localStorage + 节流/防抖普通静态长页实现最简单、兼容性极好内容增删/高度变化会导致位置漂移基础首选★★★Vue/React Router scrollBehaviorSPA 单页应用（