【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

11 Apr 2026 — 12 min read

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

）。

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）：

信息熵（Entropy）：

为第

类样本在

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)

为特征，

为按

取值

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

分裂后熵的减少量：

其中，

为

取值为

时的数据子集。

信息熵（Entropy）
衡量样本集合

的纯度：

其中，

为第

类样本在

中的比例，

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）：

其中，

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

的方差：

其中，

为

中所有

的均值。

基尼指数（Gini Index，分类树）
衡量集合

的不纯度：

其中，

为第

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

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。
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。
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。
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

，对特征

的分裂信息增益为：

选择信息增益最大的特征进行分裂。

为整体熵，

为按

取值

划分的子集，

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()