一、经典决策树算法原理
（一）ID3 算法
核心思想：以 “信息增益” 作为划分属性的选择标准，通过最大化信息增益来提升数据集的 “纯度”。
关键概念 —— 信息增益：指某个属性带来的 “熵减”（即纯度提升量）。具体来说，当用属性 a 对数据集 D 进行划分后，数据集的整体熵值会降低，降低的数值就是属性 a 的信息增益。信息增益越大，说明使用该属性划分后，数据集的类别分布越集中（纯度越高），因此更适合作为当前节点的划分属性。
局限性：信息增益准则对 “可取值数目较多的属性” 存在天然偏好。例如，若数据集中存在 “编号” 这类属性（每个样本的编号唯一），用编号划分时每个子集都只包含单个样本，信息增益会非常大，但这种划分对分类任务毫无意义，因为它完全过拟合了训练数据，无法推广到新样本。
（二）C4.5 算法
改进目标：解决 ID3 算法对取值多的属性偏好问题，通过引入 “信息增益率” 实现更合理的属性选择。
核心指标 —— 信息增益率：计算公式为 “信息增益 ÷ 属性自身的熵”。其中，属性自身的熵反映了该属性取值的分散程度：取值越多且分布越均匀，自身熵越大。通过除以自身熵，信息增益率可以平衡属性取值数量对结果的影响，避免优先选择取值过多的属性。例如，对于 “编号” 这类属性，虽然信息增益大，但自身熵也极大，因此信息增益率会降低，从而避免被误选为最优划分属性。
（三）CART 算法
核心指标 —— 基尼指数：用于衡量数据集的纯度，其物理意义是 “从数据集 D 中随机抽取两个样本，它们的类别标记不一致的概率”。

​
是数据集 D 中第 k 类样本的占比。当某个类别在数据集中占比极高（
P k
接近 1）时，基尼指数会很小，说明数据集纯度很高；反之，若各类别占比接近，基尼指数会增大，纯度降低。
特点：CART 树是 “二叉树”，每次划分都将数据集分为两个子集，因此无论是离散属性还是连续属性，都采用二分法处理，这与 ID3、C4.5 的多叉划分不同。
二、连续值属性的处理方法
在实际数据中，很多属性是连续值（如收入、年龄等），无法直接像离散属性那样按取值划分，需要通过 “离散化” 转化为离散属性，具体步骤如下：

排序：将连续属性的所有取值按从小到大的顺序排列。例如，某数据集中 “应税收入（Taxable Income）” 的取值为 60K、70K、75K、85K、90K、95K、100K、120K、125K、220K，排序后保持原顺序。
确定候选分界点：采用 “二分法” 时，候选分界点为相邻两个取值的中间值。对于有 n 个不同取值的连续属性，候选分界点有 n-1 个。例如上述收入数据有 10 个取值，因此有 9 个候选分界点（如 65K、72.5K 等）。
选择最优分界点：使用 “贪婪算法”，分别计算每个候选分界点对应的信息增益（或基尼指数），选择能使划分后纯度提升最大的分界点作为最终分割点。例如，可将收入分割为 “TaxIn≤80K” 和 “TaxIn>80K”，或 “TaxIn≤97.5K” 和 “TaxIn>97.5K”，具体取决于哪种划分的指标更优。
三、决策树剪枝策略（解决过拟合问题）
（一）剪枝的必要性
决策树具有很强的拟合能力，理论上可以通过不断划分，将训练集中的每个样本都分到单独的叶子节点，实现 “零错误率”。但这种过度复杂的树会 “记住” 训练数据中的噪声和细节，导致在新数据（测试集）上表现很差，即发生 “过拟合”。剪枝的目的就是通过简化树的结构，降低过拟合风险，提高模型的泛化能力。
（二）预剪枝
操作时机：在决策树构建过程中同步进行剪枝，即边建边剪。
核心逻辑：通过设置 “停止条件”，提前终止某些分支的生长。例如：
限制树的最大深度：当树的深度达到预设阈值时，不再继续划分。
限制叶子节点的最小样本数：若当前节点的样本数小于阈值，即使信息增益仍为正，也停止划分，将当前节点设为叶子节点。
限制信息增益阈值：若某属性的信息增益小于预设阈值，不采用该属性划分，直接将当前节点设为叶子节点。
优点：计算效率高，能避免构建不必要的复杂分支；实用性强，在实际工程中应用广泛。
（三）后剪枝
操作时机：先完整构建决策树，再从叶子节点向上逐层剪枝。
核心逻辑：通过 “损失函数” 衡量剪枝前后的模型性能，保留性能更优的结构。损失函数公式为：最终损失 = 叶子节点的基尼系数（或熵）之和 + α× 叶子节点数量。其中：
第一项 “叶子节点的基尼系数之和” 反映模型对训练数据的拟合程度，值越小拟合越好。
第二项 “α× 叶子节点数量” 是正则化项，α 为超参数，控制对树复杂度的惩罚力度。α 越大，惩罚越强，越倾向于选择简单的树（叶子节点少）；α 越小，惩罚越弱，更注重拟合效果。
剪枝决策：对每个非叶子节点，计算 “剪枝后将其变为叶子节点” 的损失，与 “保留原分支” 的损失对比，若剪枝后损失更小，则进行剪枝。
实例效果：在 “好瓜 / 坏瓜” 分类案例中，原分支 “色泽 =?” 剪枝前验证集精度为 57.1%，剪枝后提升至 71.4%；分支 “纹理 =?” 剪枝前精度 42.9%，剪枝后提升至 57.1%，均通过后剪枝显著提升了泛化能力。
四、决策树代码实现关键参数（以 sklearn 为例）
在 Python 的 scikit-learn 库中，使用DecisionTreeClassifier()类创建决策树分类模型，以下是核心参数的详细说明：

criterion：指定划分属性的评价指标，可选值为 “gini”（基尼指数）或 “entropy”（信息熵）。默认值为 “gini”，计算效率略高于熵，实际应用中两者效果差异不大。
splitter：指定划分点的选择策略，可选值为 “best” 或 “random”。“best” 表示在所有特征中寻找最优划分点，适合数据量较小的场景；“random” 表示在部分特征中随机选择划分点，能减少过拟合风险，适合高维数据或需要加快训练速度的场景。
整数 N：固定使用 N 个特征。该参数用于降低模型复杂度，避免过拟合。
max_depth：指定树的最大深度，默认值为 None（不限制深度）。深度越大，树越复杂，越容易过拟合。实际应用中推荐设置为 5-20 之间，需根据数据规模和复杂度调整。