如何用决策树模型做数据分析？

小提示：您能找到这篇{如何用决策树模型做数据分析？}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的如何用决策树模型做数据分析？内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

编辑导语：在这个大数据时代，数据对于各行各业的重要性不言而喻，因此有越来越多的企业开始重视并且运用数据分析。数据分析的方法有很多种，今天，本文作者为我们介绍了决策树模型的分析方法，让我们一起来看看如何用决策树模型做数据分析吧。

在日常工作中，很多时候都会用到数据分析的方法，决策树模型看起来非常简单，但实际上它的十分重要；本文作者分享了关于如何用决策树模型做数据分析的方法，我们一起来学习一下。

一、什么是决策树？

决策树模型本质是一颗由多个判断节点组成的树。在树的每个节点做参数判断，进而在树的最末枝(叶结点)能够对所关心变量的取值作出最佳判断。

通常，一棵决策树包含一个根结点，若干内部节点和若干叶结点，叶结点对应决策分类结果。分支做判断，叶子下结论。

我们看一个简单的决策树的模型，通过动物的一些特点来判断它是否是鱼类，在决策树模型中，我们来看每一个节点是如何做判断的。

我们将所有要研究的动物作为树最上端的起点，对它进行第一个判断，是否能脱离水生存？

如果判断为是的话，它不是鱼类；如果为否的话，我们还要再进行下一个判断，是否有脚蹼？如果是的话，它就是非鱼类，如果否的话就是鱼类。

我们仅仅是通过最多两个层次的判断，在树最末端的叶子结点，可以对我们感兴趣的问题给出了一个相对而言的最佳决策。这个就是决策树的逻辑，非常简单且和人脑理解事物的逻辑很类似。

决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。

• 简单：逻辑相对简单，整个算法没有更复杂的逻辑，只是对节点进行分叉；
• 高效：模型训练速度较快；
• 强解释性：模型的判断逻辑可以用语言清晰的表达出来，比如上述决策树案例中的判断，就可以直接用语言表述成：脱离水不能生存的没有脚蹼的动物，我们判断它是鱼。

决策树模型应用于数据分析的场景主要有三种：

1. 监督分层；
2. 驱动力分析：某个因变量指标受多个因素所影响，分析不同因素对因变量驱动力的强弱（驱动力指相关性，不是因果性）；
3. 预测：根据模型进行分类的预测。

二、熵是什么？

熵是描述判断的不确定性，大多数决策树的最终判断，并不是100%准确，决策树只是基于不确定性，作出最优的判断。

比如上述决策树案例，我们判断脱离水依然可以生存的是“非鱼类”。但是有一种特殊的鱼叫做非洲肺鱼，它脱离水后依然可以存活4年之久。

虽然不是100%正确，我们在这个叶结点做出非鱼类的判断，是因为所有脱离水依然可以生存的动物里，有非常大部分都不是鱼。

这个判断有很大可能性是正确的，但判断依然存在着一些不确定性。

那么不确定性指的是什么呢？

如下图，女生占比为50%，具有最大的不确定性；女生占比0%或者100%，则具备最小的不确定性。女生占比30%，具有中等不确定性；如果女性占比为70%的话，我们这个时候猜测是女性，出错可能性是1-70%，即30%，和刚刚的情况相同。

也就是说，10个人中女性占比为30%，或是70%，我们虽然给出的判断不同，但是两个判断出错的可能性是一样的，都是30%；

图：在10个人中，判断随机挑选出来一个人，性别是男还是女

他和人群中女性的占比应该满足这样一条曲线的关系，当女性占比为0或者100传播下沉%的时候，进行判断的不确定性最小；E取最小值0当女性占比为50%的时候，判断的不确定性最大，E取最大值1；当女性占比取0到50%，或者50%到100%之间的值的时候，E的取值介于0到1之间。

并且取值相对女性占比50%是对称的。熵即是用来描述以上这种不确定性，它的数学表达式为：

Pi含义：对于事件，有c种可能的结果，每一种可能结果的概率为P1、P2…Pc；熵的取值在0-1之间；一个判断的不确定性越大，熵越大。

三、信息增益

信息增益表示经过一次决策判断(分叉)后，人群熵值下降的大小，即母节点的熵与两个子节点熵值和的差值。

如上图，信息增益(IG) = 0.5842 – ( 38% * 0.9507 + 62 * 0 )=0.22。

四、决策树算法实现步骤

我们继续用上一篇文章《如何用线性回归模型做数据分析》中的共享单车服务满意分数据集来做案例，分析哪一类人群更加偏向于成为公司的推荐者，我们需要分析用户特征，更好的区分出推荐者。

1. 测量节点对应人群的熵

决策树模型的第一步，是测量每个节点对应人群的熵值，最终我们得到可以判断推荐者的决策树。

如下图，每个节点中标注两个数字，上面是推荐者比例，下面是用户群占比。初始节点的推荐者比例为0.14，再没任何分叉前，人群占比100%。

我们用熵来度量每个节点对应人群的不确定性，推荐者比例趋近0%和100%的人群，熵的值也趋近于0，推荐者比例趋近50%的人群，熵的值则趋近于1。

在这个案例中，我们想知道哪一类人更加偏向成为公司的推荐者，也就是说，我们希望通过决策树，可以尽量地划分出是或者不是推荐者这个事情最为确定的人群。

如果这样的人群在树的最终结点、也就是叶子结点可以被很好地划分出来的话，那么叶子结点所对应的人群的特征，就是推荐者或者非推荐者的典型特征。

反应在人群的熵值计算，更大的确定性对应于比较小的熵值。我们实际上是希望通过决策树不断地分叉，使得节点的熵值越来越低，用户的label越来越纯。

2. 节点的分叉-信息增益

我们使用信息增益(IG)来判断决策树的分叉方式。

节点分叉规则：在每个节点尝试按照不同特征变量的各种分组方式，选取信息增益最大（熵最小）的方式。

3. 在特定情况树节点停止分叉

决策树不会一直不停分叉，决策树停止分叉的条件通常有：

• 树的深度 — 如规定树的深度不能超过3；
• 叶子结点样本数 — 如叶子结点样本数不能小于10；
• 信息增益 — 如每一个分叉的信息增益不能小于0.2（R中的默认值）。

停止分叉：再分叉会增加复杂度但是效果没有提高，叶子越多越复杂，会加重解释复杂性。

五、决策树在数据分析中的实战流程

我们了解了决策树模型的算法原理，那么它福州怎么做好小红书种草如何应用在日常的数据分析工作中呢？继续我们刚才的案例，我们想探究分析用户推荐程度的主要影响因素是什么？

——可以用决策树模型将用户按照推荐者比例高低进行分层。

一百条数据，由公司员工随机采访100名用户产生，采访对象是北京市四个城区（西城区、东城区、海淀区、朝阳区）的居民，组别分为实验组和对照组。

1. 导入数据集

2. 切割自变量和因变量

3. 将分类变量转换为哑变量

Python大多数算法模型无法直接输入分类变量

4. 训练模型

圈出叶子点-最终划分出的人群分层

5. 分析结果

通过人群特征取值的判断，1、我们划分出了推荐者比例有显著区别的人群2、找出了区分推荐者人群的关键特征，例如：海淀区用户、29岁及以上等。

6. 决策树扩展

• 模型建立后，可以将模型用作分类预测；
• 决策树不只可应用于预测量为分类变量，还可应用于数值型因变量，只需将熵改为连续变量的方差；
• 特征划分的方法除了信息增益方法外，还可以用增益率(C4.5决策树)、基尼指数(CART决策树)；
• 剪枝是决策树算法中防止过拟合的主要手段，分为预剪枝与后剪枝。预剪枝指在决策树生成过程中，对每个结点在划分前进行估计，若当前结点划分不能使决策树泛化能力提升则停止划分。后剪枝指先从训练集生成一颗决策树，自底向上对非叶结点进行考察，若该结点对应的子树替换为叶结点能使决策树泛化能力提升，则该子树替换为叶结点。

作者：赵小洛，公众号：赵小洛洛洛

本文由 @赵小洛普陀区品牌企业营销策划口 于。，

，基于CC0协议