今天我們用一個?「相親決策」?的例子來講解決策樹算法，保證你輕松理解原理和實現！

🌳?決策樹是什么？

決策樹就像玩?「20個問題」猜謎游戲：

• 你心里想一個東西（比如「蘋果」）

• 朋友通過一系列問題猜（「是水果嗎？」→「是紅色的嗎？」→...）

• 問的問題越精準，猜得越快！

機器學習中的決策樹：通過一系列「如果...那么...」的規則，把數據一步步分類。

---

💍?例子：用決策樹決定是否相親

假設你是媒婆，手上有歷史相親數據，記錄每個人的：

1. 年齡（青年/中年/老年）

2. 外貌（帥/普通）

3. 收入（高/中/低）

4. 是否成功（是/否）

現在有個新小伙：「青年、外貌帥、收入中」，要不要安排相親？

📊?歷史數據

年齡	外貌	收入	是否成功
青年	帥	高	是
青年	普通	高	是
中年	帥	高	是
老年	普通	中	否
...	...	...	...

---

🌟?決策樹原理

1.?關鍵問題：如何選擇「最佳問題」？

決策樹的核心：每一步選一個最能區分數據的問題（比如優先問「收入高嗎？」比「年齡大嗎？」更能區分成功率）。

衡量標準：

• 信息增益：問完這個問題后，數據更「純凈」（比如「收入高」的人群中成功率明顯更高）。

• 基尼系數：類似，值越小說明分類越準。

2.?構建決策樹（偽代碼）

def 構建決策樹(數據):if 所有數據都屬于同一類別:return 葉子節點(類別)選擇最佳問題 = 找信息增益最大的特征（如「收入」）樹 = {最佳問題: {}}for 該問題的每個選項（如「高/中/低」）:子數據 = 篩選出符合該選項的數據樹[最佳問題][選項] = 構建決策樹(子數據)return 樹

3.?本例可能的決策樹

1. 收入=高?├─ 是 → 相親（歷史數據中高收入全部成功）└─ 否 → 2. 外貌=帥?├─ 是 → 相親（青年+帥+中收入曾成功）└─ 否 → 不相親（老年+普通+中收入失敗）

對新數據「青年、帥、中收入」的預測：

• 收入≠高 → 問外貌 → 帥 →?相親！

---

🛠??代碼實現（Python）

用?scikit-learn?快速實現：

from sklearn.tree import DecisionTreeClassifier
import pandas as pd# 1. 準備數據（這里簡化特征為數值）
data = {'年齡': ['青年', '青年', '中年', '老年'],  # 實際需要轉為數字'外貌': ['帥', '普通', '帥', '普通'],'收入': ['高', '高', '高', '中'],'是否成功': [1, 1, 1, 0]  # 1=是，0=否
}
df = pd.DataFrame(data)# 2. 特征編碼（文本轉數字）
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
df['年齡'] = le.fit_transform(df['年齡'])
df['外貌'] = le.fit_transform(df['外貌'])
df['收入'] = le.fit_transform(df['收入'])# 3. 訓練決策樹
X = df[['年齡', '外貌', '收入']]
y = df['是否成功']
model = DecisionTreeClassifier(criterion='entropy')  # 用信息增益
model.fit(X, y)# 4. 預測新數據
new_person = pd.DataFrame([['青年', '帥', '中']], columns=['年齡', '外貌', '收入'])
new_person['年齡'] = le.transform(new_person['年齡'])
new_person['外貌'] = le.transform(new_person['外貌'])
new_person['收入'] = le.transform(new_person['收入'])pred = model.predict(new_person)
print("安排相親嗎？", "是" if pred[0] == 1 else "否")

輸出：

安排相親嗎？ 是

---

🌍?決策樹的優缺點

??優點

• 像人類思考：規則直觀易懂（適合向老板解釋！）。

• 無需特征縮放：對數據范圍不敏感。

• 處理混合類型：數值和類別特征都能用。

??缺點

• 容易過擬合：樹太深會死記硬背訓練數據（解決方法：剪枝、限制樹深度）。

• 不穩定：數據微小變化可能導致完全不同的樹（解決方法：用隨機森林）。

---

🎨?可視化決策樹

安裝?graphviz?后，可以畫出樹的結構：

from sklearn.tree import export_graphviz
import graphvizdot_data = export_graphviz(model, out_file=None, feature_names=['年齡', '外貌', '收入'],  class_names=['否', '是'], filled=True)
graph = graphviz.Source(dot_data)
graph.render("decision_tree")  # 保存為PDF

你會看到類似這樣的樹：

收入 <= 1.5?
├─ 是 → 類別: 是
└─ 否 → 外貌 <= 0.5?├─ 是 → 類別: 是└─ 否 → 類別: 否

---

🤖?實際應用場景

• 醫療診斷：根據癥狀判斷疾病。

• 金融風控：根據用戶信息預測貸款違約。

• 推薦系統：根據用戶行為決定推薦內容。

---

總結：決策樹就是用一系列問題層層拆解數據，簡單卻強大！試著用它解決你的分類問題吧！ 🌟